Python:如何基于具有二进制内容的文本文件提取DNA序列？

Question

例如,我有一个包含以下序列的fasta文件:

>human1
AGGGCGSTGC
>human2
GCTTGCGCTAG
>human3
TTCGCTAG

如何使用python读取具有以下内容的文本文件来提取序列？1表示真,0表示假.仅提取值为1的序列.

示例文本文件:

0
1
1

预期产量:

>human2
GCTTGCGCTAG
>human3
TTCGCTAG

Answer 1

为此,最好使用biopython

from Bio import SeqIO

mask = ["1"==_.strip() for _ in open("mask.txt")]
seqs = [seq for seq in SeqIO.parse(open("input.fasta"), "fasta")]
seqs_filter = [seq for flag, seq in zip(mask, seqs) if flag]
for seq in seqs_filter:
  print seq.format("fasta")

你得到:

>human2
GCTTGCGCTAG
>human3
TTCGCTAG

说明

解析fasta:格式fasta可能有几行序列(检查fasta格式),最好使用专门的库来读取(解析器)并写入输出

mask:我读取de mask文件并转换为boolean[False, True, True]

filter:使用zip函数为每个序列匹配他的掩码,然后我使用list comprehensions进行过滤