从fasta文件中通过头中的ID号提取序列

Question

我有一个包含多个序列的fasta文件，其标题如下：

>1016BSA34080.1
MTHSVRIITVTVNFLQHRFFIDYMSEIGLLDGEIEQMVSALQEQVHIVARARTLPEMKNLERDTHVIVKT
LKKQLTAFHSEVKKIADSTQRSRYEGKHQTYEAKVKDLEKELRTQIDPPPKSVSEKHMEDLMGEGGPDGS
GFKTTDQVLRAGIRIQNDA

>1038BSA81955.1
MQQQQARRRMEEPTAAAATASSTTSFAAQPLLSRSVAPQAASSPQASARLAESAGFRSAAVFGSAQAAVG
GRGRGGFGAPPGRGGFGAPPAAGFGAAPAFGAPPTLQAFSAAPAPGGFGAPPAPQGFGAPRAAGFGAPPA
PQAFSAVAPASSTAIPLDVTTYLGDTFGSAPTRGPP

标题开头的4位数字是序列的唯一ID。在

你能帮我写一个python脚本来按4位ID提取序列（在一个文本文件中，每行一个ID）？在

我试着修改这个脚本（我在这个网站上找到：Extract sequences from a FASTA file based on entries in a separate file）来适应我的目的（徒劳）：

^{pr2}$

我是Python新手，任何帮助都将不胜感激！谢谢-迪维亚

Answer 1

accessionids.txt是否只包含四位数代码？在

如果是，请将accessorID更改为：

accessorID = accessorIDWithArrow[1:5]

一些方法可以让这更像Python：

使用集合而不是字典，使用strip()而不是切片来删除换行符，并使用生成器表达式来构建集合

^{pr2}$

使用True和{}，而不是skip的0和1。在

我将重做主循环：

in_accession_ids = False
for line in f1:
    if line[0] == '>':
        _splitline = line.split('|')
        accessorIDWithArrow = _splitline[0]
        accessorID = accessorIDWithArrow[1:5]
        # print accessorID
        in_accession_ids = accessorID in AI_SET
    if in_accession_ids:
        f3.write(line)

我觉得这样的逻辑就更明显了。另外，从原始的skip = 0开始，或者在我的中以in_accession_ids=True开始，这意味着您将在找到第一个序列头之前打印所有内容。这可能是你想要的，也可能不是——我在重写本中假设没有。在

你可能最终会想看看Biopython的收集-对于这个特定的任务来说，它有点过分了，但总体来说还是相当不错的。很多工具可以用来读取FASTA文件和相关格式，等等。在

http://biopython.org/wiki/Biopython