长假结束了,这不痛苦。痛苦的是长假结束了,发现写的基因组读取程序还没运行完?
在Python系列教程中,我们提到一个概念字符串是不可修改的。这一点可以通过id函数来判断确实是对的。但是这个概念会对我们写作程序有什么影响一直没有特别深的理解。
直到有一次,实验室一个朋友要读基因组数据,结果发现3 G的基因组读一晚上都没读完,就很诧异,看了下代码,这么写的。
基因组序列是GRCh38.fa,FASTA格式,序列行每行70个字符,共44,284,892行 (记住行数有多大),示例如下。
>chr1
NNNNN...(60个N)...NNNNN
ACGTA...(60个Nt)...ACGTA
...
>chr2
NNNNN...(60个N)...NNNNN
ACGTA...(60个Nt)...ACGTA
...
读取程序如下(这里只选了读取基因组的部分,点击查看更多FASTA的操作):
aDict = {}
for line in open("GRCh38.fa"):
if line[0] == '>':
key = line[1:-1]
aDict[key] = ''
else:
aDict[key]+=line.strip()
程序看上去没问题,获取id,读取一行附加在前一行后面,逻辑是对的。然后运行上程序,回去睡觉,满心欢喜期待第二天早上出来获得结果&