生物信息中的Python 02 | 用biopython解析序列

上一篇文章生物信息中的Python 01 | 從零開始處理基因序列自己造輪子實現了序列的基礎操作，但是在Python的世界里，一項工作只要重復的次數多了，那么一定就會有大神來開發相應的包來解決，這個包名就是 Biopython 。接下來我們試著使用它來實現簡單的序列處理。

一、準備工作

1、 按照上一篇下載fasta文件的步驟，可以同理得到GeneBank的數據格式

mark

2、現在我們的目錄結構是這樣的

mark

3、安裝Biopython，這里有兩種方案：

3.1 用pip安裝Biopython，在cmd命令窗口輸入
  • 下載Python的包管理工具：pip

https://pypi.org/project/pip/#files

mark

  • 下載完，解壓，進入解壓目錄

    • Linux 下輸入
    sudo python setup.py install

    • windows 下，在下載目錄，Shift+右鍵

    • 如下圖所示，點擊在此處打開命令窗口

      mark

    • 輸入如下命令

    python setup.py install
    mark

  • 測試是否安裝成功，出現下圖所示的提示即表示安裝成功

    pip -v
    mark

  • 進入 Pycharm 的Terminal 窗口，輸入以下命令來安裝 Biopython

pip install biopython
mark
3.2 直接用安裝包安裝

  • window系統：

  • Linux系統：

    • 打開終端 （快捷鍵：Ctrl+Alt+T）

    • 在終端輸入以下命令

      $ wget http://biopython.org/DIST/biopython-1.72.tar.gz
$ tar -zxvf biopython-1.72.tar.gz
$ cd biopython-1.72/
$ sudo python setup.py install

    • 測試是否安裝成功

      $ python
>>> from Bio.Seq import Seq
>>> seq = Seq('ATCG')
>>> seq
Seq('ATCG')

二、Biopython 基礎用法

1 讀取常見的序列文件格式（fasta，gb）
from Bio import SeqIO

# 讀取包含單個序列 Fasta 格式文件
fa_seq = SeqIO.read("res/sequence1.fasta", "fasta")
# print fa_seq
# 讀取包含多個序列的 fasta 格式文件
for fa in SeqIO.parse("res/multi.fasta", "fasta"):
    print (fa.seq)
# 一個多序列文件中的所有序列
seqs = [fa.seq for fa in SeqIO.parse("res/multi.fasta",  "fasta")]
print (seqs)
# 如果不想要seq對象中的字母表，可以用str()來強制類型轉換
seqs = [str(fa.seq) for fa in SeqIO.parse("res/multi.fasta",  "fasta")]
print (seqs)

# 讀取包含單個序列的 gb 格式文件
gb_seq = SeqIO.read("res/sequence1.gb", "genbank")
print (gb_seq)
2 瀏覽 fasta 序列文件內容
from Bio import SeqIO

# 讀取包含單個序列 Fasta 格式文件
fa_seq = SeqIO.read("res/sequence1.fasta", "fasta")

# =====獲取詳細的信息=====
# 提取基因ID，name
# Fasta 文件中序列名所在行的第一個詞被作為 id 和 name
print ("id: ", fa_seq.id)
print ("name: ", fa_seq.name)
# 基因 Description 是fasta文件格式中的第一行
print ("description: ", fa_seq.description)
# 序列
print ("seq: ", fa_seq.seq)
# 序列來源庫信息（NCBI的數據庫信息會包括數據庫交叉引用）
print ("dbxrefs: ", fa_seq.dbxrefs)
# 全部序列的注釋信息
print ("annotations: ", fa_seq.annotations)
# 序列中每個字母的注釋信息
print ("letter_annotations: ", fa_seq.letter_annotations)
# 部分序列的注釋信息
print ("features: ", fa_seq.features)
3 瀏覽 genebank 序列文件內容
from Bio import SeqIO

# 讀取包含單個序列的 gb 格式文件
gb_seq = SeqIO.read("res/sequence1.gb", "genbank")    
print (gb_seq)

# =====獲取詳細的信息=====
# 提取基因ID，name
# gb文件中序列名包含比fasta更加詳細的序列信息，下面分別是 id 和 name
print ("id: ", gb_seq.id)
print ("name: ", gb_seq.name)
# 基因 Description 是fasta文件格式中的第一行
print ("description: ",  gb_seq.description)
# 序列信息, 這里的序列信息是以 bioPython 中的seq對象存儲
print ("seq: ", gb_seq.seq)
# 序列來源庫信息（NCBI的數據庫信息會包括數據庫交叉引用）
print ("dbxrefs: ", gb_seq.dbxrefs)
# 全部序列的注釋信息
print ("annotations: ", gb_seq.annotations)
# 序列中每個字母的注釋信息
print ("letter_annotations: ", gb_seq.letter_annotations)
# 部分序列的注釋信息,SeqFeature 對象的形式保存了features table中的所有entries（如genes和CDS等）
print ("features: ", gb_seq.features)
# 該基因的物種信息
print ("organism: ", gb_seq.annotations["organism"])
# 關于序列的注釋信息，相關數據庫的交叉引用號
print ("comment: ", gb_seq.annotations["comment"])
# 序列來源的物種名
print ("source: ", gb_seq.annotations["source"])
# 該基因的分類學信息
print ("taxonomy: ", gb_seq.annotations["taxonomy"])
# 該基因的整理后的注釋信息
print ("structured_comment: ", gb_seq.annotations["structured_comment"])
# 該基因序列相關的關鍵詞
print ("keywords: ", gb_seq.annotations["keywords"])
# 該基因的相關文獻編號，或遞交序列的注冊信息
print ("references: ", gb_seq.annotations["references"])
# 該基因的入庫時，給的基因編號，以及在染色體上的位點信息
print ("accessions: ", gb_seq.annotations["accessions"])
# 該基因的分子類型，一般為 DNA
print ("molecule_type: ", gb_seq.annotations["molecule_type"])
# 該基因的數據文件劃分方式
print ("data_file_division: ", gb_seq.annotations["data_file_division"])
# 基因發布時間
print ("date: ", gb_seq.annotations["date"])
# 該基因的更新版本
print ("sequence_version: ", gb_seq.annotations["sequence_version"])
# 該基因的拓撲結構
print ("topology: ", gb_seq.annotations["topology"])

相信大家可以看到 GeneBank 比 fasta 格式更加詳細和貼心，但是對于序列處理來說內存占用和運行時間比這些信息更加重要。這就使fasta成為我們一般在序列分析中常用的格式。

4 新建序列文件
from Bio.Seq import Seq

# 新建一個DNA序列對象
dna_seq = Seq("GGATGGTTGTCTATTAACTTGTTCAAAAAAGTATCAGGAGTTGTCAAGGCAGAGAAGAGAGTGTTTGCA", IUPAC.unambiguous_dna)
# 新建一個RNA序列對象
rna_seq = Seq("GGATGGTTGTCTATTAACTTGTTCAAAAAAGTATCAGGAGTTGTCAAGGCAGAGAAGAGAGTGTTTGCA", IUPAC.unambiguous_rna)
# # 新建一個蛋白質序列對象
protein_seq = Seq("GGATGGTTGTCTATTAACTTGTTCAAAAAAGTATCAGGAGTTGTCAAGGCAGAGAAGAGAGTGTTTGCA", IUPAC.protein)

序列對象由一段字符串和其對應的編碼表所定義。我們可以從上述的代碼中看到，字符串內容一樣，唯一不同的就是第二個參數IUPAC值不一樣。IUPAC (International Union of Pure and Applied Chemistry ) 是一個制定化學相關標準的組織，Biopython 所使用的編碼表就是由它制定的，想了解詳細細節可以參考http://www.bioinformatics.org/sms2/iupac.html ，詳細定義如下：

名稱 編碼表
ambiguous_dna_letters GATCRYWSMKHBVDN
unambiguous_dna_letters GATC
ambiguous_rna_letters GAUCRYWSMKHBVDN
unambiguous_rna_letters GAUC
protein ARNDCQEGHILKMFPSTWYV
5 修改序列文件

在生物學意義上，序列是不可以隨便更改的，也就是不可變的。如果強行修改，那么就會報錯TypeError: 'Seq' object does not support item assignment

dna_seq[0] = "G"

如果你執意修改也是可以的，但是不建議這么做

dna_seq_mutable = dna_seq.tomutable()
dna_seq_mutable[0] = "G"
6 操作序列文件
from Bio.Seq import Seq

# 新建一個DNA序列對象
dna_seq = Seq("GGATGGTTGTCTATTAACTTGTTCAAAAAAGTATCAGGAGTTGTCAAGGCAGAGAAGAGAGTGTTTGCA", IUPAC.unambiguous_dna)
# 序列信息
print ("Sequence: ", dna_seq）
# 序列長度
print ("Length : ", len(dna_seq)）
# 單個核苷酸計數
print ("G Counts: ", dna_seq.count("G")）
# 獲取反向序列
print （"reverse: ", dna_seq[::-1]）
# 獲取反向互補序列
print ("Reverse complement: ", dna_seq.complement()）
# 獲取蛋白質的反向互補序列，這里顯然是報錯的，因為蛋白序列沒有這一屬性
print ("Protein reverse complement: ", protein_seq.complement()）
7 用 Biopython 將 DNA 翻譯為 RNA
# =====轉錄=====
# 如果序列為編碼鏈，那么直接轉換
print ("rna: ", dna_seq.transcribe())
# 如果序列為模板鏈，就需要先轉為編碼鏈
transcribe_seq = dna_seq.reverse_complement().transcribe()
print ("rna: ", transcribe_seq)
8 用BioPython 將 RNA 翻譯為 蛋白質
# =====翻譯=====
print ("protein: ", transcribe_seq.translate())
# 如果翻譯的是線粒體密碼子，那么在參數中需要輸入，其他參考 https://www.ncbi.nlm.nih.gov/Taxonomy/Utils/wprintgc.cgi?mode=c or ftp://ftp.ncbi.nlm.nih.gov/entrez/misc/data/gc.prt
print ("protein: ", transcribe_seq.translate(table="Vertebrate Mitochondrial"))
# 在現實生物世界中，一般在遇到終止密碼子之后的序列不用翻譯
print ("protein: ", transcribe_seq.translate(table="Vertebrate Mitochondrial", to_stop=True))
# 如果DNA序列為編碼序列，可以直接翻譯，DNA序列不是3的倍數時，報錯
print ("protein: ", dna_seq.translate())
# 在細菌世界中，在細菌遺傳密碼中 GTG 是個有效的起始密碼子，注意第一個密碼子（正常情況下 GTG編碼纈氨酸， 但是如果作為起始密碼子，則翻譯成甲硫氨酸）
bacterial_dna = Seq("GTGAAAAAGATGCAATCTATCGTACTCGCACTTTCCCTGGTTCTGGTCGCTCCCATGGCATAA", generic_dna)
print  ("protein: ", bacterial_dna.translate(table="Bacterial", to_stop=True))
print  ("protein: ", bacterial_dna.translate(table="Bacterial", cds=True))
7 做一些有意思的事
# =====尋找TATA框=====
# TATA框約在多數真核生物基因轉錄起始點上游約-30bp（-25~-32bp）處，基本上由A-T堿基對組成，是決定基因轉錄始的選擇，為RNA聚合酶的結合處之一
print （"TA Counts: ", dna_seq.count("TA")）

# =====GC含量=====
# （A+T）/（G+C）之比隨DNA的種類不同而異。GC含量愈高，DNA的密度也愈高，同時熱及堿不易使之變性，因此利用這一特性便可進行DNA的分離或測定。
print （"GC Contenten", 100 * float(dna_seq.count("G") + dna_seq.count("C")) / len(dna_seq)）

# =====得到promoter序列=====
# 在尋找基因的promoter時(一般promoter的位點不確定)，但是可以通過將起始位點左右2kb基因視為promoter
# 這里訓練切取，將切取設起始位點為前10bp
print （"Promoter seq: ",dna_seq[:10]）

生物信息中的Python 03 | 自動化操作NCBI

生物信息中的Python 04 | 批量下載基因與文獻

?著作權歸作者所有,轉載或內容合作請聯系作者
平臺聲明：文章內容（如有圖片或視頻亦包括在內）由作者上傳并發布，文章內容僅代表作者本人觀點，簡書系信息發布平臺，僅提供信息存儲服務。

推薦閱讀更多精彩內容