Основная цель моего сценария - преобразовать файл genbank в файл gtf. Моя проблема связана с извлечением информации CDS (ген, положение (например, CDS 2598105..2598404), codon_start, protein_id, db_xref) из всех записей CDS. Мой скрипт должен открывать / анализировать файл genbank, извлекать информацию из каждой записи CDS и записывать информацию в другой файл. Скрипт не выдает ошибок, а только записывает информацию из первой половины файла genbank перед завершением. Вот мой код ...

import Bio
from Bio import GenBank
from Bio import SeqIO

fileList = ['data_files/e_coli_ref_BA000007.2.gb']
qualies = ['gene', 'protein_id', 'db_xref']

#######################################################DEFINITIONS################################################################
def strip_it(string_name):
    stripers = ['[', ']', '\'', '"']
    for s in stripers:
        string_name = string_name.replace(s, '')
        string_name = string_name.lstrip()
    return string_name

def strip_it_attributes(string_name):
    stripers = ['[', ']', '\'', '"', '{', '}',',']
    for s in stripers:
        string_name = string_name.replace(s, '') 
        string_name = string_name.lstrip() 
        string_name = string_name.replace(': ', '=')
        string_name = string_name.replace(' ', ';')
    return string_name
#---------------------------------------------------------------------------------------------------------------------------------

#######################################################################################################################
for f in fileList:
    nameOut = f.replace('gb', 'gtf')

    with open(f, 'r') as inputFile:
        with open(nameOut, 'w') as outputFile:
            record = next(SeqIO.parse(f, 'genbank'))
            seqid = record.id
            typeName = 'Gene'
            source = 'convert_gbToGFT.py'
            start_codon = 'NA'
            attribute = 'NA'    

            featureCount = 0
            for f in record.features:
                print(f.type)
                string = ''
                if f.type == 'CDS':
                    dic = {}
                    CDS = record.features[featureCount]

                    position = strip_it(str(CDS.location))
                    start = position.split(':')[0]
                    stop = position.split(':')[1].split('(')[0]
                    strand = position.split(':')[1].split('(')[1].replace(')', '')
                    score = '.'

                    for q in qualies:
                        if q in CDS.qualifiers:
                            if q not in dic:
                                dic[q] = ''
                            dic[q] = strip_it(str(CDS.qualifiers[q]))

                    attribute = strip_it_attributes(str(dic))

                    if 'codon_start' in CDS.qualifiers:
                        start_codon = str(int(str(CDS.qualifiers['codon_start'][0]))-1) #need string when finished so it can be added to variable 'string'

                    string = '\t'.join([seqid, source, typeName, start, stop, score, strand, start_codon, attribute])
                    if attribute.count(';') == 2:
                        outputFile.write(string + '\n')

                    featureCount+=1

#---------------------------------------------------------------------------------------------------------------------------------

Последняя строка выходного файла:

BA000007.2  convert_gbToGFT.py   Gene  2598104  2598404  .  +  0  protein_i     d=BAB36052.1;db_xref=GI:13362097;gene=ECs2629

Расположение гена ECs2629 отображается в строке 36094 в файле genbank, но общее количество строк в этом файле составляет 73498. Я повторно загрузил файл несколько раз, чтобы увидеть, была ли проблема с загрузкой, и я визуально проверил файл (Я не вижу в этом вины). Я также попробовал этот скрипт на другом, не менее большом файле genbank, и у меня возникли идентичные проблемы.

Может ли кто-нибудь предложить некоторые предложения относительно того, почему весь файл genbank не анализируется, как я могу изменить свой код, чтобы устранить эту проблему, или указать мне другое возможное решение?

(Вы можете увидеть формат файла genbank здесь: http: // www. ncbi.nlm.nih.gov/Sitemap/samplerecord.html), однако я работаю с файлом genbank E. coli (Escherichia coli O157: H7 st. Sakai DNA, полный геном), который можно найти здесь: http://www.ncbi.nlm.nih.gov/nuccore/BA000007.2

Я использую следующее: Centos 6.7, Python 3.4.3 :: Anaconda 2.3.0 (64-bit), Biopython 1.66

[EDIT] Предложения @Gerrat работали для рассматриваемого файла, но не для других файлов. Использование http://www.ncbi.nlm.nih.gov/nuccore/NC_000913. 3 с предлагаемым редактированием дает ~ 28 строк вывода, где мой исходный код выводит 2084 строки (однако должно быть 4332 строки вывода).

2
cer 17 Дек 2015 в 20:19

3 ответа

Лучший ответ

Спасибо @Gerrat за ваши комментарии. Я переделал сценарий, и он работает плавно.

import Bio 
from Bio import GenBank
from Bio import SeqIO

fileList = ['F1.gb', 'F2.gb']

for f in fileList:
      with open(f, 'rU') as handle:
         for record in SeqIO.parse(handle, 'genbank'):
            for feature in record.features:
               if feature.type=='CDS':
                  #[extract feature values here]
                  count+=1

   print('You parsed', count, 'CDS features')
0
cer 23 Дек 2015 в 19:26

Измените эту строку:

CDS = record.features[featureCount]

Чтобы :

CDS = f

Вы пропускаете записи, получая к ним доступ через индекс featureCount (поскольку количество объектов, вероятно, в два раза больше, чем в записях).

РЕДАКТИРОВАТЬ: уточните свой комментарий:

Ваш исходный сценарий просто неверен (в том смысле, в каком вы используете featureCount). Моя коррекция необходима. Если у вас есть другие проблемы, значит что-то не так. В этом случае, кажется, есть 28 записей CDS с числом атрибутов 2. (Я ничего не знаю о последовательности генов, я просто использую имена переменных в сценарии). Когда вы снова переключаетесь на использование featureCount, вы теперь просматриваете записи, в которых «тип» не является «CDS». Это «ген» или «repeat_region». Вы проверяете тип записи f, чтобы узнать, является ли она CDS, но затем используете совершенно другую запись record.features[featureCount]. Они не относятся к одной и той же записи (проверьте CDS.type этой записи - в большинстве случаев это больше не «CDS»).

1
Gerrat 22 Дек 2015 в 18:43

Из любопытства, что произойдет, если вы перебираете каждую строку, изменяя:

with open(f, 'r') as inputFile:

К

with open("file") as infile:
    for line in infile:
        do_something_with(line)

Также было бы интересно установить некоторую переменную в ноль, прежде чем перебирать строки в файле и делать variable += 1 каждый раз, чтобы увидеть, соответствует ли номер строки тому, что вы ожидаете.

0
Ryan 17 Дек 2015 в 17:45