Skip to main content
 首页 » 编程设计

python之用 biopython 解析 fasta 文件以计算属于每个 ID 的数字序列读取

2025年05月04日16qq78292959

我是 python 编程的新手,正在尝试解析一个 fasta 文件并计算属于文件中每个 ID 的读取次数(在此处使用玩具示例,但计划用于每个具有 1-100,000 次读取的宏基因组序列文件主题)。我想获得的输出将是一个类似于以下内容的文本文件:

Total reads: 8 
Mean read length: 232.5 
Median: 234.5 
Mode: 250 
Max: 250 
Min: 209 
 
Sample   Count 
001-00   1 
002-00   4 
003-00   3 
Etc. 

通过 biopython cookbook 和其他帖子中提供的示例,我已经能够拼凑出以下代码,这些代码将生成读取长度的描述性统计信息,并为我提供单次读取的 SampleID 和读取长度,但我似乎无法理解如何最好地计算每个 ID 在文件中出现的次数并按上述格式设置输出格式(用制表符分隔样本和制表符字段)。到目前为止我放在一起的代码是:

from Bio import SeqIO 
import statistics 
 
records = list(SeqIO.parse("test_fasta.fasta", "fasta")) 
print("Total reads: %i" % len(records)) 
 
sizes = [len(rec) for rec in SeqIO.parse("test_fasta.fasta", "fasta")] 
 
print("Mean read length:", statistics.mean(sizes)) 
print("Median:", statistics.median(sizes)) 
print("Mode:", statistics.mode(sizes)) 
print("Max:", max(sizes)) 
print("Min:", min(sizes)) 
print() 
 
generator = SeqIO.parse("test_fasta.fasta", "fasta") 
print("Sample", "\t", "Read Length") 
for seqrecord in generator: 
    idkeep, rest = seqrecord.id.split(';',1) 
    print(idkeep, "\t", len(seqrecord)) 

但这当然给出了读取长度而不是计数。任何关于如何解决这个问题的想法都将不胜感激(对于我迄今为止所写内容中明显低效的任何想法也是如此)。

请您参考如下方法:

你可以只拥有一个 dict id -> number of occurrences 并在遍历记录时更新它。另外,我认为你可以删除:

generator = SeqIO.parse("test_fasta.fasta","fasta") 

行,因为您已经有了 records 列表。您还可以更改行:

sizes = [len(rec) for rec in SeqIO.parse("test_fasta.fasta", "fasta")] 

到:

sizes = [len(rec) for rec in records] 

所以你只解析一次 fasta 文件。

我会添加到您的代码中:

occurrences_dict = {} 
for seqrecord in records: 
    idkeep, rest = seqrecord.id.split(';',1) 
    occurrences_dict[idkeep] = occurrences_dict.get(idkeep, 0) + 1 

然后您可以打印每个 ID 出现的次数:

for k in occurrences_dict: 
    print k, occurrences_dict[k]