在Python文本文件中查找图章

Question

我有一个像这样的大文本文件：

示例：

>chr9:128683-128744
GGATTTCTTCTTAGTTTGGATCCATTGCTGGTGAGCTAGTGGGATTTTTTGGGGGGTGTTA
>chr16:134222-134283
AGCTGGAAGCAGCGTGGGAATCACAGAATGGCCGGGACCTTAAAGGCTTTGCTTGGCCTGG
>chr16:134226-134287
GGAAGCAGCGTGGGAATCACAGAATGGACGGCCGATTAAAGGCTTTGCTTGGCCTGGATTT
>chr1:134723-134784
AAGTGATTCACCCTGCCTTTCCGACCTTCCCCAGAACAGAACACGTTGATCGTGGGCGATA
>chr16:135770-135831
GCCTGAGCAAAGGGCCTGCCCAGACAAGATTTTTTAATTGTTTAAAAACCGAATAAATGTT

这个文件被分成不同的部分，每个部分有2行。第一行以>（这一行称为ID）开头，第二行是字母序列。 我想在字母序列中搜索一个短的motif（GGAC），如果它们包含motif，我想得到那一行的ID（在那上面一行）。你知道吗

对于上述示例，以下是预期输出：

预期产量：

>chr16:134222-134283
>chr16:134226-134287

我试图在python中使用以下命令来实现这一点，但它并没有返回我想要的结果。你知道吗

infile = open('infile.txt', 'r')
ss = 'CCGA'
new = []
for line in range(len(infile)):
    if not infile[line].startswith('>'):
        for match in pattern.finder(ss):
            new.append(infile[line-1])

你知道怎么修吗？你知道吗

Answer 1

在这里使用发电机可能很方便。你知道吗

def find_motif(f, motif):
    while True:
        try:
            id_line = next(f)
            text_line = next(f)
        except StopIteration:
            break
        if motif in text_line:
            yield id_line

with open("my file") as f:
    with_motif = find_motif(f, "ABCD")
    for id_line in with_motif:
        print(id_line) 

所以：

text = """>chr9:128683-128744
GGATTTCTTCTTAGTTTGGATCCATTGCTGGTGAGCTAGTGGGATTTTTTGGGGGGTGTTA
>chr16:134222-134283
AGCTGGAAGCAGCGTGGGAATCACAGAATGGCCGGGACCTTAAAGGCTTTGCTTGGCCTGG
>chr16:134226-134287
GGAAGCAGCGTGGGAATCACAGAATGGACGGCCGATTAAAGGCTTTGCTTGGCCTGGATTT
>chr1:134723-134784
AAGTGATTCACCCTGCCTTTCCGACCTTCCCCAGAACAGAACACGTTGATCGTGGGCGATA
>chr16:135770-135831
GCCTGAGCAAAGGGCCTGCCCAGACAAGATTTTTTAATTGTTTAAAAACCGAATAAATGTT"""
f = iter(text.splitlines())

with_motif = find_motif(f, "GGAC")
for id_line in with_motif:
    print(id_line)

输出：

>chr16:134222-134283
>chr16:134226-134287

Answer 2

将Biopython用于此目的将更加健壮和简单：

from Bio import SeqIO

motif = 'GGAC'
for record in SeqIO.parse('input.fa', 'fasta'):
    if motif in record.seq:
        print(record.id)