解析multifasta文件以提取序列

Question

我试图用python编写一个脚本来解析一个大的fasta文件，我不想使用biopython，因为我正在学习脚本。脚本需要将登录号、序列长度和序列gc内容打印到控制台。我已经能够提取登录号，但无法提取序列，因为它们被作为行读取，这使我无法计算序列长度和gc内容。在

有人能帮我吗？ 我尝试过将行分组到一个列表中，但是这样会在一个列表中创建多个列表，我也不知道如何将它们连接起来。在

seq=""
seqcount=0
seqlen=0
gc=0

#prompt user for file name
infile=input("Enter the name of your designated .fasta file: ")

with open(infile, "r") as fasta:
    print("\n")
    print ("Accession Number \t Sequence Length \t GC content (%)")
    for line in fasta:
       line.strip()
       if line[0]==">":
           seqcount+=1 #counts number sequences in file
           accession=line.split("|")[3] #extract accession
           seq=""
       else: 
           seq+=line[:-1]
           seqlen=len(seq)
           print(accession, "\t \t", seqlen)

print("\n")           
print("There are a total of", seqcount, "sequences in this file.")

Answer 1

你离正确的密码不远了：

seq=""
seqcount=0

#prompt user for file name
infile=input("Enter the name of your designated .fasta file: ")

def pct_gc(s):
    gc = s.count('G') + s.count('C') + s.count('g') + s.count('c')
    total = len(s)

    return gc*100.0/total

with open(infile, "r") as fasta:
    print("\n")
    print ("Accession Number\tSequence Length\tGC content (%)")
    for line in fasta:
        line = line.strip()
        if line[0]==">":
            if seq != "":
                print("{}\t{}\t{}".format(accession, pct_gc(seq), len(seq)))

            seqcount+=1 #counts number sequences in file
            accession=line.split("|")[3] #extract accession
            seq=""
        else: 
            seq+=line[:-1]

print("{}\t{}\t{}".format(accession, pct_gc(seq), len(seq)))
print("\n")           
print("There are a total of " + str(seqcount) + " sequences in this file.")

需要注意的事项：

• 不需要在每次迭代中都更新长度。最后再计算一下。在
• 在str.str.带（）不修改对象，而是返回剥离对象
• 你必须使用这样一个事实：当你找到下一个序列时，你知道你读了一个完整的序列，而这个序列不是空的。此时必须编写输出。在
• 最后一个序列不是由新的加入完成的，所以您必须在循环结束后独立地处理它。在
• 使用字符串格式或串联字符串。如果只将字符串和变量用逗号隔开，则会得到一个元组表示输出。在