python中txt文件的过滤

Question

我有太多这样的台词：

>ENSG00000100206|ENST00000216024|DMC1|2371|38568257;38570043|38568289;38570286
CTCAGACGTCGGGCCGACGCAAGGCCACGCGCGCGAACACACAGGTGCGGCCCCGGGCCA
CACGCACACCGTACAC
>ENSG00000001630|ENST00000003100|CYP51A1|3210|92134365|92134530
TATATCACAGTTTCTTTCTTTTTTTTTTTTTTTTTTTTGAGACAGAGTTTTGCTCTTGTT
GCCCAGGCTGGAGTACAGTGACGCAATCTCGGCTCACTGCAACCTTTGCCTCCCAGGTTC
>ENSG00000100206|ENST00000216024|DMC1|2371|38568257;38570043|38568289;38570286
TTAACTATAATCCCACTGCCTATTTTTTTATTTCTAAAAATATCATAAAAAGACACAAAA

第一行（从>开始）是identifier，其他行是sequence，而且每个identifier都有自己的序列。在上述示例中，ENSG00000100206是名称，ENST00000216024是异构体。在我的文件中，有一些标识符行具有相同的名称，但其他所有内容都不同。 我想得到最长的序列为每个名字，使一个新的文件。这意味着每个名字只有一次重复（但顺序最长）。 对于上述示例，结果如下所示：

>ENSG00000100206|ENST00000216024|DMC1|2371|38568257;38570043|38568289;38570286
CTCAGACGTCGGGCCGACGCAAGGCCACGCGCGCGAACACACAGGTGCGGCCCCGGGCCA
CACGCACACCGTACAC
>ENSG00000001630|ENST00000003100|CYP51A1|3210|92134365|92134530
TATATCACAGTTTCTTTCTTTTTTTTTTTTTTTTTTTTGAGACAGAGTTTTGCTCTTGTT
GCCCAGGCTGGAGTACAGTGACGCAATCTCGGCTCACTGCAACCTTTGCCTCCCAGGTTC

你们知道用python怎么做吗？你知道吗

Answer 1

您可以从使用Biopython获得适当的FASTA格式解析器开始：http://biopython.org/wiki/SeqIO

然后遍历这些记录，并对它们执行所需的操作。这不仅可以节省您编写解析器的时间，还可以防止您完全出错。你知道吗

这一页的例子：

from Bio import SeqIO
for record in SeqIO.parse("example.fasta", "fasta"):
    print(record.id)

不要打印，而是创建一个dict{record.id: record.length}，只有当长度较长时才更新它。你知道吗