解析4个数据框和一个fasta文件

Question

实际上，我有 4 个不同的数据框，对应于来自 augustus 预测的 2 个不同物种的基因信息，在这些物种中，我使用 sp1 的 sp2 训练参数和 sp1 的 sp2 训练参数训练了数据库.

这里是语法名称的示例，以便更好地理解。

0035: Lepidoptera
0042: WASP

g1.t1_0035_0035 :这个基因已经用物种0035的数据库和它自己的训练参数进行了预测。

g1.t1_0035_0042 :这个基因是用物种0035的数据库和物种0042的训练参数预测出来的。

g1.t1_0042_0042 :这个基因是用物种0042的数据库和它自己的训练参数预测出来的。

g1.t1_0042_0035 :这个基因是用物种0042的数据库和物种0035的训练参数预测出来的。

现在我有 4 个数据框：

gene_name   scaf_name       scaf_length cov_depth       GC
g3.t1       scaffold 6      56786         79            0.39
g4.t1       scaffold 6      56786         79            0.39
g1.t1       scaffold 256    789765        86            0.42
g2.t1       scaffold 890    3456          85            0.40
g5.t1       scaffold 1234   590           90            0.41

如您所见，基因名称没有带有 _number1_number2 的名称 但是每个文件都对应一个特定的情况：这里是文件名：

ggf_0042_0042.csv for all the genex_0042_0042
ggf_0042_0035.csv for all the genex_0042_0035
ggf_0035_0035.csv for all the genex_0035_0035
ggf_0042_0035.csv for all the genex_0042_0035

而我真正想要的只是解析一个fasta文件为例：

>g13600.t1_0042_0042
MERVINTQLLRYLEDHQLISDRQYGFR...
>g34744.t1_0042_0035
MSVPAHVAQIFEAIRRSGQQIDED...
>g28436.t1_0035_0042
WKKAKAENALDSYHHNHLMSEE...
>g14327.t1_0042_0042
MTYGAETWSLTVGLVRKLRVTQR...
>g30148.t1_0035_0042
MLRPVLSSKLPTNTKLRVYKTYIRSRLTY...
>g24481.t1_0035_0035
PCAGSNIKLKGTECFEKSFEVCLRNY...

然后说：

如果基因名称中有数字_0035_0035，则进入文件ggf_0035_0035.csv，并抓取与相同基因名称对应的行并用该行填充新的数据框。

这是一个假设的输出示例：

gene_name               scaf_name       scaf_length   cov_depth       GC
g345.t1_0035_0035       scaffold 567      56778         78            0.39
g23.t1_0042_0035        scaffold 43       434           79            0.43
g46.t1_0042_0042        scaffold 276      785660        87            0.41
g2.t1_0042_0035         scaffold 845      345656        87            0.40

等等……

Answer 1

使用Biopython，

from Bio import SeqIO

首先创建一个字典

ggf = {}

现在遍历记录

for record in SeqIO.parse("example.fasta", "fasta"):
    id_ = record.id

尝试匹配表格

    parts = id.split('_')
    if len(parts) != 3:
        continue

查看是否已经解析，如果没有则更新

    if (parts[1], parts[2]) not in ggf:
        f_name = '_'.join('ggf', parts[1], parts[2]) + '.csv'
        ggf[(parts[1], parts[2])] = pd.read_csv(f_name)

现在只需使用

    df = ggf[(parts[1], parts[2])]
    df[df.gene_name == parts[0]]