Python“for循环”解析结果答案

【问题标题】：Python 'for loop' to parse resultsPython“for循环”解析结果
【发布时间】：2013-11-22 06:02:54
【问题描述】：

我是一个 Python 初学者（尝试学习生物信息学），我很难正确地完成我的最终“for 循环”。我使用基于网络的生物信息学程序来评估某些蛋白质的亚细胞定位（ORF 中包含的蛋白质名称和序列），我正在尝试解析结果（包含在 targetp 中）。我使用的基于网络的程序截断了蛋白质的名称（并且不包括序列），我想解析我的结果文件，以便我拥有 FASTA 格式的每个蛋白质的完整名称和序列（这个需要在一行上有一个“>”+蛋白质名称，在下一行有蛋白质序列）。我认为在最后一段代码之前一切都很顺利；我最终得到了正确的蛋白质名称，但它们都附加到相同的序列中。我知道一定有一些简单的事情我做错了，但我就是想不通。有什么想法吗？

谢谢！

ORFs 文件看起来像这样（它是 FASTA，但 " 不应该在那里，只有 >)：

">HsaNP_000700支链酮酸脱氢酶E1，α多肽 MAVAIAAARVWRLNRGLSQAALLLLRQPGARGLARSHPPRQQQQFSSLDDKPQFPGASAEFIDKLEFIQPNVISGIPIYRVMDRQGQIINPSEDPHLPKEKVLKLYKSMTLLNTMDRILYESQRQGRISFYMTNYGEEGTHVGSAAALDNTDLVFGQYREAGVLMYRDYPLELFMAQCYGNISDLGKGRQMPVHYGCKERHFVTISSPLATQIPQAVGAAYAAKRANANRVVICYFGEGAASEGDAHAGFNFAATLECPIIFFCRNNGYAISTPTSEQYRGDGIAARGPGYGIMSIRVDGNDVFAVYNATKEARRRAVAENQPFLIEAMTYRIGHHSTSDDSSAYRSVDEVNYWDKQDHPISRLRHYLLSQGWWDEEQEKAWRKQSRRKVMEAFEQAERKPKPNPNLLFSDVYQEMPAQLRKQQESLARHLQTYGEHYPLDHFDK

">HsaNP_060914 丙酮酸脱氢酶磷酸酶前体 MPAPTQLFFPLIRNCELSRIYGTACYCHHKHLCCSSSYIPQSRLRYTPHPAYATFCRPKENWWQYTQGRRYASTPQKFYLTPPQVNSILKANEYSFKVPEFDGKNVSSILGFDSNQLPANAPIEDRRSAATCLQTRGMLLGVFDGHAGCACSQAVSERLFYYIAVSLLPHETLLEIENAVESGRALLPILQWHKHPNDYFSKEASKLYFNSLRTYWQELIDLNTGESTDIDVKEALINAFKRLDNDISLEAQVGDPNSFLNYLVLRVAFSGATACVAHVDGVDLHVANTGDSRAMLGVQEEDGSWSAVTLSNDHNAQNERELERLKLEHPKSEAKSVVKQDRLLGLLMPFRAFGDVKFKWSIDLQKRVIESGPDQLNDNEYTKFIPPNYHTPPYLTAEPEVTYHRLRPQDKFLVLATDGLWETMHRQDVVRIVGEYLTGMHHQQPIAVGGYKVTLGQMHGLLTERRTKMSSVFEDQNAATHLIRHAVGNNEFGTVDHERLSKMLSLPEELARMYRDDITIIVVQFNSHVVGAYQNQE

targetp 文件如下所示（M 位于 57 位，但此处的格式将其排除在外）：

HsaNP_000700 445 0.939 0.020 0.089 M 1
HsaNP_060914 537 0.309 0.073 0.629_4

targetp 中最左边的列是标识符（上面每个蛋白质序列中标题行的一部分），我只想返回位置 57 中带有“M”（即，不是“_”）的条目，以及来自 ORF 的蛋白质名称（标题行）。

我的脚本是：

#!/usr/bin/python

ORFs = open('Human.MitoCarta.fasta', 'U')
targetp = open('MitoCarta_TargetP_combined.out', 'U')
report = targetp.readlines()
protfile = open('mitocarta_no_mTP.fasta','w')
protid = []
seqdict = {}

for seq in ORFs:
    seq = seq.rstrip()
    if seq[0] == '':
        continue
    if seq[0] == '>':
        name = seq[1:]
        seqdict[name] = ''
        continue

    seqdict[name] += seq

for entry in report:
    if entry.startswith('HsaNP'):
        if entry[57] != 'M':
            protid.append(entry[0:20])
            protid = [x.strip(' ') for x in protid]


nameslist = seqdict.keys()
c = 0
for i in protid:
    if i in nameslist[c]:
        protfile.write('>%s\n%s\n\n' % (nameslist[c], seqdict[name]))
        c += 1

protfile.close()

【问题讨论】：

标签： python for-loop bioinformatics

【解决方案1】：

是的，你正在编写 nameslist[c] 和 seqdict[name] 但你永远不会改变 'name'。因此，如果您想获得不同的序列，则需要更改“名称”。你应该写：

protfile.write('>%s\n%s\n\n' % (nameslist[c], seqdict[nameslist[c]]))

这样你就应该做对了。

【讨论】：

感谢您的帮助。你的修复让我得到了输出，但不幸的是，我仍然没有得到正确的输出（显然是我的错误）。在我的脚本中，所有的 protid 名称都应该在名称列表名称中（每个名称的子集，因为 protid 名称是截断的名称列表名称），但许多名称列表名称不在 protid 中。当我运行我的脚本时，我得到的输出包括不在 protid 中但在名称列表中的名称/序列。你知道为什么会这样吗？
是的，缩进 protfile.write bla bla bla 使其位于 if 条件内。否则，即使它不满足 if 语句，它也会为每个 i 运行。
再次感谢。我尝试过这种方法，但我的输出只有 3 个序列，而应该是 >700。所以，我只有 3 个满足条件的 protid 名称，即使所有 protid 名称都是从名称列表中的名称派生的。还有什么我做错的事情很明显吗？有什么方法可以显示我正在使用的文件以便更好地解决问题？抱歉所有问题 - 我还不擅长这个！
嗨，我已经更新了我的问题，以便更好地说明我正在尝试做的事情。再次感谢您帮助我。
嗯，我看了一点，你说你想得到所有带有 M inpos.57 的条目；而在你的代码中你写的是：if entry[57] !='M'。不应该是 == 'M' 吗？？