1

我有一组使用软件找到​​的（蛋白质）序列，但它们的长度比数据库中的原始序列短。我下载了整个数据库，现在我有了这些不完整的序列找到和从中找到序列的原始数据库。

软件的示例结果：

>tr|E7EWP2|E7EWP2_HUMAN  Uncharacterized protein OS=Homo sapiens GN=TRIO PE=4 SV=2
KEFIMAELIQTEKAYVRDLRECMDTYLWEMTSGVE

数据库中的序列：

>tr|E7EWP2|E7EWP2_HUMAN  Uncharacterized protein OS=Homo sapiens GN=TRIO PE=4 SV=2
ARRKEFIMAELIQTEKAYVRDLRECMDTYLWEMTSGVEEIP

所以缺失的残基是“ARR”，最后是“EIP”，我有大约 70 个这样的不完整序列？我想编写一个可以自动从数据库中检索完整序列的 Python 程序。我对python真的很陌生，当然我会尝试编写自己的代码，我想知道是否有任何库或类似biopython模块的东西可以做到这一点。我的计划是从我的结果中获取间隔，展开它们并在原始数据库中选择它，但我不知道如何进一步进行。

我想得到list_seq = [ARR,KEFIMAELIQTEKAYVRDLRECMDTYLWEMTSGVE,EIP]，以便我可以进一步使用list_seq[0] r.strip(3)，list_seq[1] l.strip[3]以便我得到完整的序列。但 list_seq 不起作用。

提前致谢

4

1 回答 1

4

您可以使用index来自 BioPython SeqIO 的方法。该index方法按蛋白质对数据库记录进行索引，id并且不会将完整的数据库加载到内存中，因此可以使用完整的大型数据库进行高效搜索（或者，您可以使用像 sqlite 这样的传统数据库来首先存储您的记录并对其执行搜索）：

from Bio import SeqIO

db1 = "dbase.fasta"
db2 = "my_collection.fasta"

dbase_dict = SeqIO.index(db1, "fasta")
my_record_dict = SeqIO.index(db2, "fasta")

for record in my_record_dict:
    if record in dbase_dict:
        rec_dbase = dbase_dict[record]
        rec_mine = my_record_dict[record]
        if rec_dbase.seq != rec_mine.seq:
            print rec_dbase

这个程序只是打印有差异的记录。从这一点开始，您可以将它们保存在列表中或写入 fasta 文件

于 2012-01-02T16:23:27.270 回答