利用Python解决生物问题-批量获取最长转录本

前言

• 我们知道通常一个基因会有多条转录本，有时候从ensemble或phytizome上下载的cds或pep文件并没有经过序列过滤
• 而过滤后的序列即仅包含最长转录本有利于我们进一步分析研究，省去后续分析的很多麻烦，例如统计基因数等等
• 因此，我们有必要对序列进行过滤

原始文件

• 那拟南芥为例，其转录本之间的区分是点号.
  
  

生成文件

脚本实现

1. 此脚本适用于批量过滤序列，仅修改脚本中的路径，就可把路径中的fasta文件进行序列过滤
   2.此脚本使用于用点号. 区分的序列，如果是其他符号区分如==下划线_==将脚本对应行修改为下划线即可

####仅适用于.区分的转录本
####仅适用于.区分的转录本
from pathlib import Path

p = Path("H:\\徐云峰数据\\CG农科院NP转运体项目\\序列信息\\最长转录本\\selected点")
def select_longest(seq_fa,longest_fa):
    #初始化空字典用于存放序列，字典的key是基因名，value存放转录本和序列
    #格式为>{gene1:[>gene1.1\nabd\n>gene1.2\neee\nerr\n....]}
    seq_dict = {}
    with open(seq_fa,'rt') as f1:
        for eachline in f1:  
            if eachline[0] == '>':
                gene_name = eachline[1:].split('.')[0]#更改此处.可以选其他符号区分的转录本
                if gene_name not in seq_dict.keys():
                    seq_dict[gene_name] = eachline#此处不加strip(),方便用\n区别转录本和序列
                else:
                    seq_dict[gene_name] += eachline
            elif len(eachline.strip()) > 0:
                seq_dict[gene_name] += eachline
            

    with open(longest_fa,'wt') as f2:
        for i in seq_dict.keys():
            transcripts_list = seq_dict[i].split('>')[1:]#此处用切片去除列表的第一个空字符,得到列表 ['gene1\n12\n3456\n', 'gene2\n123\n45\n', 'gene3\n1234\n56789\n']
            seq_list= []
            for each in transcripts_list:
                each = each.split('\n')#单独提取序列
                seq = ''.join(each[1:])
                seq_list.append(seq)

            length = list(map(len,seq_list))
            index = length.index(max(length))
            f2.write(f'>{transcripts_list[index]}')

def search_fa_longest():
    for file in p.iterdir():
        if file.suffix == '.fa':
            outfile = file.parent / (file.stem + '_longest.fa')
            select_longest(file,outfile)

search_fa_longest()      

批量文件实现效果如下：