2020.12.19丨根据差异基因ID匹配注释文本脚本

上周遇到一个比较麻烦的项目。物种是一种酵母菌，参考基因组是组装的，并没有像样的gtf文件，使用genemark-ES生成注释文件后，需要对差异基因进行注释。本来之前有一个脚本能够很流畅地处理这个步骤。然而，由于genemark-ES自动生成的geneID在perl脚本中存在bug，个人对perl又不是很熟悉，因此重新写了一个脚本，用于差异基因与注释文本的匹配注释，下面直接上脚本。

import csv

genome_file = open('C:/Users/bbplayer/Downloads/genemark7.gtf','r') #读取注释文件
diffgene_file = open('C:/Users/bbplayer/Downloads/geneDEsign_results.csv','r') #读取差异基因文件
genome_line = genome_file.readlines() #按行读取
diffgene_line = csv.reader(diffgene_file)
newgtf_name = 'difftmp'
desktop_path = 'C:/Users/bbplayer/Downloads/'
file_path = desktop_path+newgtf_name+'.gtf' #对输出文件路径和name进行设置
file = open(file_path,'w') #读取输入文本
for i in diffgene_line:
    gene_ID = i
    for line in genome_line:
        str_line = str(line)
        anno_ID = str_line.split('"') #分割单行文本，得到geneID（这里注释文本中geneID被双引号括了起来，可自行调整分隔符）
        if  anno_ID[3] == gene_ID[1]: #匹配差异基因ID与注释文本ID
            file.write(str_line)
        else:
            continue

file.close() #关闭文件
diffgene_file.close()
genome_file.close()

在循环里面再套一个循环，说实话运算量比较大，不过好在样品的差异基因数量不多，而且这个项目已经耽误了很久，现在只想提交结果了事。我想还可以给ID制作字符长度标签，根据标签缩小循环的范围。