如何使用Biopython翻译FASTA文件中的一系列DNA序列并将Protein序列提取到一个单独的字段中？

Question

我是 Biopython 的新手（以及一般编码），我正在尝试编写一种方法，将一系列 DNA 序列（超过 80 个）翻译成蛋白质序列，在一个单独的 FASTA 文件中。我还想在正确的阅读框中找到序列。

这是我到目前为止所拥有的：

from Bio import SeqIO
from Bio.SeqRecord import SeqRecord

for record in SeqIO.parse("dnaseq.fasta", "fasta"):
    protein_id = record.id
    protein1 = record.seq.translate(to_stop=True)
    protein2 = record.seq[1:].translate(to_stop=True)
    protein3 = record.seq[2:].translate(to_stop=True)

if len(protein1) > len(protein2) and len(protein1) > len(protein3):
    protein = protein1
elif len(protein2) > len(protein1) and len(protein2) > len(protein3):
    protein = protein2
else:
    protein = protein3

def prot_record(record):
    return SeqRecord(seq = protein, \
             id = ">" + protein_id, \
             description = "translated sequence")

records = map(prot_record, SeqIO.parse("dnaseq.fasta", "fasta"))
SeqIO.write(records, "AAseq.fasta", "fasta")

我当前代码的问题是，虽然它似乎可以工作，但它只给出输入文件的最后一个序列。谁能帮我弄清楚如何编写所有序列？

谢谢！

Answer 1

正如其他人所提到的，您的代码在尝试写入结果之前会遍历整个输入。我想建议如何使用流媒体方法来做到这一点：

from Bio import SeqIO
from Bio.SeqRecord import SeqRecord

with open("AAseq.fasta", 'w') as aa_fa:
    for dna_record in SeqIO.parse("dnaseq.fasta", 'fasta'):
        # use both fwd and rev sequences
        dna_seqs = [dna_record.seq, dna_record.seq.reverse_complement()]

        # generate all translation frames
        aa_seqs = (s[i:].translate(to_stop=True) for i in range(3) for s in dna_seqs)

        # select the longest one
        max_aa = max(aa_seqs, key=len)

        # write new record
        aa_record = SeqRecord(max_aa, id=dna_record.id, description="translated sequence")
        SeqIO.write(aa_record, aa_fa, 'fasta')

这里的主要改进是：

1. 在每次迭代中翻译和输出单个记录，最大限度地减少内存使用。
2. 添加对反向补码的支持。
3. 翻译的帧是通过生成器理解创建的，并且只存储最长长度的帧。
4. if...elif...else通过使用max键来避免结构。