使用biopython处理序列数据

欢迎关注”生信修炼手册”!

序列是基因组学数据的基本单位，对于序列先关信息的存储，有以下两种常用的文件格式

1. fasta

2. genebank

通过biopython, 我们可以方便的读取这些格式的文件，并提取其中的信息。具体地，通过以下3个子模块来处理序列数据

1. Bio.Seq

2. Bio.SeqRecore

3. Bio.SeqIO

其中Bio.Seq表示最原始的序列对象，是最核心的模块，提供了序列的格式化，反向互补，碱基计数等基本功能；Bio.SeqRecord表示序列记录，在序列对象的基础上，进一步添加了序列的id, 名称，属性等各种注释信息；Bio.SeqIO模块则用于读取特定的文件格式，返回 SeqRecord对象。

1. Bio.Seq

Bio.Seq提供了最核心的序列对象，即由基本字符构成的序列，比如核酸序列和蛋白质序列，初始化方式如下

>>> from Bio.Seq import Seq
>>> my_seq = Seq('ATCGTACGATCT')
>>> my_seq
Seq('ATCGTACGATCT')

在该模块中，为序列对象提供了python字符的基础操作，比如比较，大小写转换，切片，切分，连接， 格式化等操作，具体用法如

# 切片
>>> my_seq[1]
'T'
>>> my_seq[1:3]
Seq('TC')
>>> my_seq[::-1]
Seq('TCTAGCATGCTA')
# 小写转换
>>> my_seq.lower()
Seq('atcgtacgatct')
# 大写转换
>>> my_seq.upper()
Seq('ATCGTACGATCT')
# split, 序列分隔
>>> my_seq.split('A')
[Seq(''), Seq('TCGT'), Seq('CG'), Seq('TCT')]
# join, 序列连接
>>> my_seq2 = Seq('ACGACTGACTAGCT')
>>> Seq('NNN').join([my_seq, my_seq2])
Seq('ATCGTACGATCTNNNACGACTGACTAGCT')
# 格式化
>>> 'id:1,seq:{}'.format(my_seq)
'id:1,seq:ATCGTACGATCT'

除了基本用法之外，还提供了生物学序列特有的功能，比如互补，反向互补，转录，翻译等，具体用法如下

# 互补
>>> my_seq.complement()
Seq('TAGCATGCTAGA')
# 反向互补
>>> my_seq.reverse_complement()
Seq('AGATCGTACGAT')
# 转录
>>> my_seq.transcribe()
Seq('AUCGUACGAUCU')
# 翻译
>>> my_seq.translate()
Seq('IVRS')

2. Bio.SeqRecord

Bio.SeqRecord在序列的基础上，进一步存储了相关的注释信息，初始化的方式如下

>>> from Bio.SeqRecord import SeqRecord
>>> my_seq = Seq('AGCTACGT')
>>> my_seqrecord &