Biopython--SeqIO中record.features解析

Biofeatures

Biofeatures是BioIO中的一部分。
整个程序使用之前需要输入from Bio import SeqIO

from Bio import SeqIO
#先建立一个SeqRecord对象SeqIO.read(序列文件名称，序列形式)
record = SeqIO.read("AB042240.3.gb","genbank")

#获取文件中全部features，即所有的gene,CDS,tRNA等
features = record.features
#test
for f in features:
    print(f)

输出的结果如下图：

图片中左侧页面为输出，右侧页面为输入文件形式。
可以看到每一个feature对象都有这样几个部分：

1. type
2. location
3. qualifiers
   根据上图我将阐述个人对这些参数的理解

1.type

type应该就是genebank文件中在FEATURES这一大块中，写在最前面的一部分”小标题”，即下图红框中内容。这些小标题应该分别表示了后面一段记录的内容是什么。

2.location

可以看到这一部分表示了对应的序列位置信息。
其形式为：

1. 如果有多个片段（有编码序列和非编码序列穿插存在，对于CDS，只需要编码序列，其位置信息就会是一段一段的）
   形式为：
   join{[67271:67385](-), [88797:89018](-), [88229:88257](-)}
   {[片段1起始位点：片段1结束位点]（“-”为complement，反向互补序列，“+”为正常序列）}
2. 只有一个片段
   形式为：
   [134213:134495](+)
   [起始位点：结束位点]（“-”为complement，反向互补序列，“+”为正常序列）

具体探究如何对于这些信息进行提取，如下。
首先，书本给出的定义是：

SeqFeature 对象主要用于描述相对于父序列中的位置（region）信息。Region用location对象表示，通常是两个position间的范围。为了区分location和position，我们定义如下:

position
– 表示位于序列中的单一位置, 可以是精确的也可以是不确定的位置（如5, 20, <100 和 >200 ）。
location
– 介于两个positions间的区域。比如5..20 (5到20)。

ref：https://biopython-cn.readthedocs.io/zh_CN/latest/cn/chr04.html#positionslocations

但是，对于如何提取多片段中每一小段的始末位点，在上述链接中博主没有找到很好的解决。因此博主使自己编码对于这一部分进行了完善。

#测试location
loc_of_2 = features[1].location
print(loc_of_2)
print(loc_of_2.start)
print(loc_of_2.end)
print(str(loc_of_2))
str_loc_of_2 = str(loc_of_2)
if "join"in str_loc_of_2:
    splits = str_loc_of_2.split(",")
    for specie in splits:
        k=0    #记录为起始位点还是结束位点，0为起始位点，1为结束位点
        start=""
        end = ""
        is_comp = False    #定义是否为反向互补序列
        if "-" in specie:
            is_comp = True
        for char in specie:
            if char.isdigit() and k ==0 :
                start = start+char
            if char == ":" and k==0:
                k=1
            if char.isdigit() and k ==1:
                end = end+char
        print(start,end,is_comp)

结果：

join{[67271:67385](-), [88797:89018](-), [88229:88257](-)}
67271
89018
join{[67271:67385](-), [88797:89018](-), [88229:88257](-)}
67271 67385 True
88797 89018 True
88229 88257 True

可以看到直接使用loc_of_2.start和loc_of_2.end只能得到这一大片的始末位点。
因此需要将得到的信息转换为string，通过对字符串匹配进行各个片段信息的提取。

3.qualifiers

通过如下代码尝试：

#测试qualifiers
qual_of_2 = features[1].qualifiers
print(qual_of_2)
print(qual_of_2['gene'])
#print(qual_of_2.gene)  报错
print(qual_of_2['gene'][0])
print(type(qual_of_2['gene'][0]))

得到结果：

OrderedDict([('gene', ['rps12']), ('codon_start', ['1']), ('transl_table', ['11']), ('product', ['ribosomal protein S12']), ('protein_id', ['BAB47079.1']), ('translation', ['MPTVKQLIRNARQPIRNARKTAALKGCPQRRGTCARVYKKPNSALRKVARVRLTSGFEITAYIPGIGHNLQEHSVVLVRGGRVKDLPGVRYRIIRGTLDAVAVKNRQQGRSRYGVKKPKK'])])
['rps12']
rps12
<class 'str'>

可以看到，qualifiers方法可以得到一个ordereddict格式的结果。具体使用方法与普通字典类似，OrderdedDict([(键1，值1)，(键2，值2)])

以上内容可直接运行的代码见：https://download.csdn.net/download/wwwddd777/19360082?spm=1001.2014.3001.5503