使用biopython处理序列数据

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 = SeqRecord(my_seq)

SeqRecord具有id, name等多个属性，示例如下

>>> my_seqrecord
SeqRecord(seq=Seq('AGCTACGT'), id='<unknown id>', name='<unknown name>', description='<unknown description>', dbxrefs=[])
>>> my_seqrecord.seq
Seq('AGCTACGT')
>>> my_seqrecord.id
'<unknown id>'
>>> my_seqrecord.name
'<unknown name>'
>>> my_seqrecord.description
'<unknown description>'

除了以上基本属性外，还具有annotations和lette_annotations两个属性，进一步丰富了注释信息，annotations属性是一个字典结构，通过key=value的形式可以存储不同类别的注释信息，letter_annotations属性也是一个字典结构，但是其中的value值是长度等于序列长度的列表，主要用于存储每个碱基对应的信息，示例如下

>>> my_seqrecord.annotations['organ'] = 'human'
>>> my_seqrecord.annotations
{'organ': 'human'}
>>> my_seqrecord.letter_annotations['quality'] = [20, 20, 20, 20, 20, 20, 20, 20]

3. Bio.SeqIO

Bio.SeqIO用于文件的读写，支持多种文件格式，对于序列的存储格式fasta和genebank而言，读取的方式如下

>>> from Bio import SeqIO
>>> for seq in SeqIO.parse('input.fasta', 'fasta'):
... print(seq.id, seq.seq)
>>> for seq in SeqIO.parse('input.gb', 'genebank'):
... print(seq.id, seq.seq)

在每个for循环中，返回的是SeqRecord对象，可以通过SeqRecord对象的方法来访问各种信息。除了for循环的遍历，也可以直接返回列表，示例如下

>>> records = list(SeqIO.parse('input.fasta', 'fasta'))
>>> records[0]
SeqRecord(seq=Seq('CGATCGATCGACT'), id='1', name='1', description='1', dbxrefs=[])

该模块也支持序列对象的写入操作，最典型的应用就是序列格式的转换，genebank转换为fasta格式，代码如下

>>> records = SeqIO.parse("input.gb", "genbank")
>>> SeqIO.write(records, "out.fasta", "fasta")

write方法提供了输出功能，将序列对象输出到指定格式的文件中，针对格式转换这一常见场景，用法如下

>>> count = SeqIO.convert("input.gb", "genbank", "out.fasta", "fasta")

以上3个子模块层层渐进，构建了biopython处理序列数据的完整生态，对于使用者而言，通过简单的几句代码，就可以完成基本的序列操作，对于开发者而言，其class的抽象设计，方法编写都值得参考借鉴。

·end·

—如果喜欢，快分享给你的朋友们吧—

关注我们，解锁更多精彩内容！