用于计算分子生物学的 Python 工具
用于计算分子生物学的 Python 工具
本页面描述了 Biopython 中用于保存序列（作为 Seq 对象）以及标识符（ID 和名称）、描述以及可选的注释和子特征的 SeqRecord 对象。
Biopython 中大多数序列文件格式解析器可以返回 SeqRecord 对象（并可能提供特定于格式的记录对象，例如 Bio.SwissProt）。SeqIO 系统将 *只* 返回 SeqRecord 对象。
除了 SeqRecord 对象的 API 文档 之外，在 教程 (PDF) 中还有一个完整的章节，并且 SeqIO 页面 也非常相关。
让我们详细了解一下 Biopython 从 GenBank 文件（例如 ls_orchid.gbk）创建的良好注释的 SeqRecord 对象，我们将使用 SeqIO 模块加载它。该文件包含 94 条记录
from Bio import SeqIO
for index, record in enumerate(SeqIO.parse("ls_orchid.gbk", "genbank")):
print(
"index %i, ID = %s, length %i, with %i features"
% (index, record.id, len(record.seq), len(record.features))
)
这是其中一些输出。请记住，Python 喜欢从零开始计数，因此此文件中的 94 条记录已标记为 0 到 93
index 0, ID = Z78533.1, length 740, with 5 features
index 1, ID = Z78532.1, length 753, with 5 features
index 2, ID = Z78531.1, length 748, with 5 features
...
index 92, ID = Z78440.1, length 744, with 5 features
index 93, ID = Z78439.1, length 592, with 5 features
让我们更详细地看一下最后一条记录
>>> print(record)
这应该会让你了解此对象中保存的信息类型
ID: Z78439.1
Name: Z78439
Description: P.barbatum 5.8S rRNA gene and ITS1 and ITS2 DNA
Number of features: 5
/molecule_type=DNA
/topology=linear
/data_file_division=PLN
/date=30-NOV-2006
/accessions=['Z78439']
/sequence_version=1
/gi=2765564
/keywords=['5.8S ribosomal RNA', '5.8S rRNA gene', 'internal transcribed spacer', 'ITS1', 'ITS2']
/source=Paphiopedilum barbatum
/organism=Paphiopedilum barbatum
/taxonomy=['Eukaryota', 'Viridiplantae', 'Streptophyta', ..., 'Paphiopedilum']
/references=[Reference(title='Phylogenetics of the slipper orchids (Cypripedioideae: Orchidaceae): nuclear rDNA ITS sequences', ...), Reference(title='Direct Submission', ...)]
Seq('CATTGTTGAGATCACATAATAATTGATCGAGTTAATCTGGAGGATCTGTTTACT...GCC')
让我们更仔细地看一下……并使用 Python 的 dir() 函数来了解更多关于 SeqRecord 对象及其功能的信息
>>> dir(record)
[..., 'annotations', 'dbxrefs', 'description', 'features', 'format', 'id', 'letter_annotations', 'name', 'seq']
如果你不知道，dir() 函数会返回一个对象的所有方法和属性列表（作为字符串）。那些以下划线开头的名称是“特殊的”，我们将在本次讨论中忽略它们。我们将从 .seq 属性开始
>>> record.seq
Seq('CATTGTTGAGATCACATAATAATTGATCGAGTTAATCTGGAGGATCTGTTTACT...GCC')
>>> type(record.seq)
<class 'Bio.Seq.Seq'>
这是一个 Seq 对象，它是 Biopython 中另一个重要的对象类型，并且值得在维基文档中拥有自己的页面。
以下三个属性都是简单的字符串
>>> print(record.id)
Z78439.1
>>> print(record.name)
Z78439
>>> print(record.description)
P.barbatum 5.8S rRNA gene and ITS1 and ITS2 DNA.
查看原始 GenBank 文件，看看它们来自哪里。
接下来，我们将检查 .dxrefs 属性，它保存任何数据库交叉引用
>>> print(record.dbxrefs)
[]
>>> type(record.dbxrefs)
<type 'list'>
空列表？令人失望……如果我们使用更近期的 GenBank 文件，基因组测序项目参考将显示在此处。
那么 .annotations 属性呢？这是一个 Python 字典……
>>> print(record.annotations)
{'sequence_version: 1, 'source': 'Paphiopedilum barbatum', 'taxonomy': ...}
>>> type(record.annotations)
<type 'dict'>
>>> print(record.annotations["source"])
Paphiopedilum barbatum
在这种情况下，字典中的大多数值都是简单的字符串，但并非总是如此 - 请查看此示例的引用条目 - 它是一个包含 Reference 对象的列表
>>> type(record.annotations["references"])
<type 'list'>
>>> print(len(record.annotations["references"]))
2
>>> for ref in record.annotations["references"]:
print(ref.authors)
Cox,A.V., Pridgeon,A.M., Albert,V.A. and Chase,M.W.
Cox,A.V.
接下来是 .features，它是另一个列表属性，它包含 SeqFeature 对象
>>> type(record.features)
<type 'list'>
>>> print(len(record.features))
5
SeqFeature 对象足够复杂，需要拥有自己的维基页面……现在请参考教程。
如果您使用的是 Biopython 1.48 或更高版本，将有一个 .format() 方法。这使您可以使用 Bio.SeqIO 支持的输出格式之一将 SeqRecord 转换为字符串，例如
>>> print(record.format("fasta"))
这应该会显示
>Z78439.1 P.barbatum 5.8S rRNA gene and ITS1 and ITS2 DNA.
CATTGTTGAGATCACATAATAATTGATCGAGTTAATCTGGAGGATCTGTTTACTTTGGTC
ACCCATGGGCATTTGCTGTTGAAGTGACCTAGATTTGCCATCGAGCCTCCTTGGGAGCTT
TCTTGTTGGCGAGATCTAAACCCCTGCCCGGCGGAGTTGGGCGCCAAGTCATATGACACA
TAATTGGTGAAGGGGGTGGTAATCCTGCCCTGACCCTCCCCAAATTATTTTTTTAACAAC
TCTCAGCAACGGATATCTCGGCTCTTGCATCGATGAAGAACGCAGCGAAATGCGATAATG
GTGTGAATTGCAGAATCCCGTGAACATCGAGTCTTTGAACGCAAGTTGCGCCCGAGGCCA
TCAGGCCAAGGGCACGCCTGCCTGGGCATTGCGAGTCATATCTCTCCCTTAATGAGGCTG
TCCATACATACTGTTCAGCCGGTGCGGATGTGAGTTTGGCCCCTTGTTCTTTGGTACGGG
GGGTCTAAGAGCTGCATGGGCTTTGGATGGTCCTAAATACGGAAAGAGGTGGACGAACTA
TGCTACAACAAAATTGTTGTGCAAATGCCCCGGTTGGCCGTTTAGTTGGGCC
如果您使用的是 Biopython 1.50 或更高版本，还会有一个 .letter_annotations 属性。同样，这是一个字典，但用于每个字母注释，例如序列质量得分或二级结构预测。这种信息在 GenBank 文件中找不到，因此在这种情况下，字典为空
>>> print(record.letter_annotations)
{}
查看 FASTQ 或 QUAL 文件，了解质量得分是如何表示的。斯德哥尔摩 (PFAM) 比对文件通常也包含每个字母注释。
大多数时候，您将通过使用 Bio.SeqIO 解析序列文件来创建 SeqRecord 对象。但是，了解如何直接创建 SeqRecord 非常有用。例如，
from Bio.Seq import Seq
from Bio.SeqRecord import SeqRecord
record = SeqRecord(
Seq("MKQHKAMIVALIVICITAVVAALVTRKDLCEVHIRTGQTEVAVF"),
id="YP_025292.1",
name="HokC",
description="toxic membrane protein, small",
)
print(record)
这将给出以下输出
ID: YP_025292.1
Name: HokC
Description: toxic membrane protein, small
Number of features: 0
Seq('MKQHKAMIVALIVICITAVVAALVTRKDLCEVHIRTGQTEVAVF')
然后，您可以将此新记录传递给 Bio.SeqIO.write(...) 以将其保存到磁盘。