Bio.GenBank.Scanner 模块

用于解析 GenBank 和 EMBL 文件的内部代码（私有）。

此代码不打算直接使用。它提供了一个基本的扫描器（用于与 Bio.GenBank._FeatureConsumer 等事件消费者一起使用）来解析 GenBank 或 EMBL 文件（以及它们共享的 INSDC 特征表）。

它被 Bio.GenBank 用于解析 GenBank 文件，也被 Bio.SeqIO 用于解析 GenBank 和 EMBL 文件。

特征表文档

• http://www.insdc.org/files/feature_table.html

• http://www.ncbi.nlm.nih.gov/projects/collab/FT/index.html

• ftp://ftp.ncbi.nih.gov/genbank/docs/

class Bio.GenBank.Scanner.InsdcScanner(debug=0)

基类：object

将 GenBank/EMBL 文件分解成子部分的基本功能。

国际核酸序列数据库合作 (INSDC) 是 DDBJ、EMBL 和 GenBank 之间的合作。这些组织在他们的纯文本平面文件格式中都使用相同的“特征表”布局。

然而，EMBL 文件的标题和序列部分在布局上与 GenBank/DDBJ 生成的文件大不相同。

RECORD_START = 'XXX'

HEADER_WIDTH = 3

FEATURE_START_MARKERS = ['XXX***FEATURES***XXX']

FEATURE_END_MARKERS = ['XXX***END FEATURES***XXX']

FEATURE_QUALIFIER_INDENT = 0

FEATURE_QUALIFIER_SPACER = ''

SEQUENCE_HEADERS = ['XXX']

__init__(debug=0)

初始化类。

set_handle(handle)

设置 handle 属性。

find_start()

读取行，直到找到 ID/LOCUS 行，并返回该行。

任何前导信息（例如 NCBI 在 *.seq.gz 档案中使用的标题）将被忽略。

parse_header()

返回组成标题的字符串列表。

换行符将被删除。

假设你已经读入了 ID/LOCUS 行。

parse_features(skip=False)

返回特征的元组列表（如果有）。

每个特征都以一个元组（键、位置、限定符）的形式返回，其中键和位置是字符串（例如，“CDS”和“complement(join(490883..490885,1..879))”），而限定符是两个字符串元组的列表（特征限定符键和值）。

假设你已经读到了特征表的开头。

parse_feature(feature_key, lines)

解析一个以字符串列表形式给定的特征，并将其转换为一个元组。

期望一个特征作为字符串列表，返回一个元组 (key, location, qualifiers)

例如，给定这个 GenBank 特征

CDS             complement(join(490883..490885,1..879))
                /locus_tag="NEQ001"
                /note="conserved hypothetical [Methanococcus jannaschii];
                COG1583:Uncharacterized ACR; IPR001472:Bipartite nuclear
                localization signal; IPR002743: Protein of unknown
                function DUF57"
                /codon_start=1
                /transl_table=11
                /product="hypothetical protein"
                /protein_id="NP_963295.1"
                /db_xref="GI:41614797"
                /db_xref="GeneID:2732620"
                /translation="MRLLLELKALNSIDKKQLSNYLIQGFIYNILKNTEYSWLHNWKK
                EKYFNFTLIPKKDIIENKRYYLIISSPDKRFIEVLHNKIKDLDIITIGLAQFQLRKTK
                KFDPKLRFPWVTITPIVLREGKIVILKGDKYYKVFVKRLEELKKYNLIKKKEPILEEP
                IEISLNQIKDGWKIIDVKDRYYDFRNKSFSAFSNWLRDLKEQSLRKYNNFCGKNFYFE
                EAIFEGFTFYKTVSIRIRINRGEAVYIGTLWKELNVYRKLDKEEREFYKFLYDCGLGS
                LNSMGFGFVNTKKNSAR"

那么应该将输入 key=”CDS” 和其余数据作为字符串列表 lines=[“complement(join(490883..490885,1..879))”, …, “LNSMGFGFVNTKKNSAR”]，其中前导空格和尾随换行符已删除。

返回包含以下内容的元组：(key 作为字符串、location 字符串、qualifiers 作为列表)，例如：

key = “CDS”，string location = “complement(join(490883..490885,1..879))”，string qualifiers = string 元组列表

[(‘locus_tag’, ‘“NEQ001”’),

(‘note’, ‘“conserved hypothetical [Methanococcus jannaschii];nCOG1583:…”’), (‘codon_start’, ‘1’), (‘transl_table’, ‘11’), (‘product’, ‘“hypothetical protein”’), (‘protein_id’, ‘“NP_963295.1”’), (‘db_xref’, ‘“GI:41614797”’), (‘db_xref’, ‘“GeneID:2732620”’), (‘translation’, ‘“MRLLLELKALNSIDKKQLSNYLIQGFIYNILKNTEYSWLHNWKKnEKYFNFT…”’)]

在上面的示例中，“note” 和 “translation” 为了简洁而进行了编辑，它们将包含多个换行符（在上文中显示为 n）。

如果限定符被引号括起来（在本例中，除了 codon_start 和 transl_table 之外），那么引号不会被删除。

请注意，不会删除任何空格。

parse_footer()

返回一个元组，其中包含任何杂项字符串的列表以及序列。

feed(handle, consumer, do_features=True)

将一组数据输入消费者。

此方法旨在用于 Bio.GenBank 中的“旧”代码。

参数

• handle - 包含要解析信息的句柄。

• consumer - 应该被通知事件的消费者。

• do_features - 布尔值，是否应该解析特征？跳过特征可以更快。

返回值

• true - 传递了一个记录

• false - 未找到记录

parse(handle, do_features=True)

返回一个 SeqRecord（如果 do_features=True，则包含 SeqFeatures）。

请参阅 parse_records() 方法，用于处理多记录文件。

parse_records(handle, do_features=True)

解析记录，返回一个 SeqRecord 对象迭代器。

每个记录（从 ID/LOCUS 行到 // 行）都将成为一个 SeqRecord

如果 do_features=True，则 SeqRecord 对象将包含 SeqFeatures。

此方法旨在用于 Bio.SeqIO 中。

parse_cds_features(handle, alphabet=None, tags2id=('protein_id', 'locus_tag', 'product'))

解析 CDS 特征，返回 SeqRecord 对象迭代器。

每个 CDS 特征都将成为一个 SeqRecord。

参数

• alphabet - 已过时，应该保留为 None。

• tags2id - 三个字符串的元组，用于记录 id、名称和描述的特征键。

此方法旨在用于 Bio.SeqIO 中。

class Bio.GenBank.Scanner.EmblScanner(debug=0)

基类：InsdcScanner

用于从 EMBL 文件中提取信息块。

RECORD_START = 'ID   '

HEADER_WIDTH = 5

FEATURE_START_MARKERS = ['FH   Key             Location/Qualifiers', 'FH']

FEATURE_END_MARKERS = ['XX']

FEATURE_QUALIFIER_INDENT = 21

FEATURE_QUALIFIER_SPACER = 'FT                   '

SEQUENCE_HEADERS = ['SQ', 'CO']

EMBL_INDENT = 5

EMBL_SPACER = '     '

parse_footer()

返回一个元组，其中包含任何杂项字符串的列表以及序列。

class Bio.GenBank.Scanner.GenBankScanner(debug=0)

基类：InsdcScanner

用于从 GenBank 文件中提取信息块。

RECORD_START = 'LOCUS       '

HEADER_WIDTH = 12

FEATURE_START_MARKERS = ['FEATURES             Location/Qualifiers', 'FEATURES']

FEATURE_END_MARKERS: list[str] = []

FEATURE_QUALIFIER_INDENT = 21

FEATURE_QUALIFIER_SPACER = '                     '

SEQUENCE_HEADERS = ['CONTIG', 'ORIGIN', 'BASE COUNT', 'WGS', 'TSA', 'TLS']

GENBANK_INDENT = 12

GENBANK_SPACER = '            '

STRUCTURED_COMMENT_START = '-START##'

STRUCTURED_COMMENT_END = '-END##'

STRUCTURED_COMMENT_DELIM = ' :: '

parse_footer()

返回一个元组，其中包含任何杂项字符串的列表以及序列。

__annotations__ = {'FEATURE_END_MARKERS': list[str]}