Biopython - 序列

序列是一系列字母，用于表示生物体的蛋白质、DNA 或 RNA。 它由 Seq 类表示。 Seq 类在 Bio.Seq 模块中定义。

让我们在 Biopython 中创建一个简单的序列，如下所示 −

>>> from Bio.Seq import Seq 
>>> seq = Seq("AGCT") 
>>> seq 
Seq('AGCT') 
>>> print(seq) 
AGCT
 

在这里，我们创建了一个简单的蛋白质序列 AGCT，每个字母代表 Alanine(丙氨酸), Glycine(甘氨酸), Cysteine(半胱氨酸) 和 Threonine(苏氨酸)。

每个Seq对象都有两个重要的属性 −

• data − 实际序列字符串 (AGCT)

• alphabet − 用来表示序列的类型。 例如 DNA序列、RNA序列等。默认情况下，不代表任何序列，具有通用性。

---

字母模块

Seq 对象包含 Alphabet 属性以指定序列类型、字母和可能的操作。 它在 Bio.Alphabet 模块中定义。 字母可以定义如下 −

>>> from Bio.Seq import Seq 
>>> myseq = Seq("AGCT") 
>>> myseq 
Seq('AGCT') 
>>> myseq.alphabet 
Alphabet()
 

Alphabet 模块提供以下类来表示不同类型的序列。 Alphabet - 所有类型字母表的基类。

SingleLetterAlphabet - 字母大小为 1 的通用字母表。 它派生自 Alphabet，所有其他字母类型都派生自它。

>>> from Bio.Seq import Seq 
>>> from Bio.Alphabet import single_letter_alphabet 
>>> test_seq = Seq('AGTACACTGGT', single_letter_alphabet) 
>>> test_seq 
Seq('AGTACACTGGT', SingleLetterAlphabet())
 

ProteinAlphabet − 通用单字母蛋白质字母表。

>>> from Bio.Seq import Seq 
>>> from Bio.Alphabet import generic_protein 
>>> test_seq = Seq('AGTACACTGGT', generic_protein) 
>>> test_seq 
Seq('AGTACACTGGT', ProteinAlphabet())
 

NucleotideAlphabet −通用单字母核苷酸字母表。

>>> from Bio.Seq import Seq 
>>> from Bio.Alphabet import generic_nucleotide 
>>> test_seq = Seq('AGTACACTGGT', generic_nucleotide) >>> test_seq 
Seq('AGTACACTGGT', NucleotideAlphabet())
 

DNAAlphabet − 通用单字母 DNA 字母表。

>>> from Bio.Seq import Seq 
>>> from Bio.Alphabet import generic_dna 
>>> test_seq = Seq('AGTACACTGGT', generic_dna) 
>>> test_seq 
Seq('AGTACACTGGT', DNAAlphabet())
 

RNAAlphabet − 通用单字母 RNA 字母表。

>>> from Bio.Seq import Seq 
>>> from Bio.Alphabet import generic_rna 
>>> test_seq = Seq('AGTACACTGGT', generic_rna) 
>>> test_seq 
Seq('AGTACACTGGT', RNAAlphabet())
 

Biopython 模块 Bio.Alphabet.IUPAC 提供了 IUPAC 社区定义的基本序列类型。 它包含以下类 −

• IUPACProtein (protein) − 20个标准氨基酸的IUPAC蛋白质字母表。

• ExtendedIUPACProtein (extended_protein) − 扩展的大写 IUPAC 蛋白质单字母字母表，包括 X。

• IUPACAmbiguousDNA (ambiguous_dna) − 大写的 IUPAC 不明确的 DNA。

• IUPACUnambiguousDNA (unambiguous_dna) − 大写 IUPAC 明确 DNA (GATC)。

• ExtendedIUPACDNA (extended_dna) − 扩展的 IUPAC DNA 字母表。

• IUPACAmbiguousRNA (ambiguous_rna) − 大写 IUPAC 模糊 RNA。

• IUPACUnambiguousRNA (unambiguous_rna) − 大写 IUPAC 明确 RNA (GAUC)。

考虑一个 IUPACProtein 类的简单示例，如下所示 −

>>> from Bio.Alphabet import IUPAC 
>>> protein_seq = Seq("AGCT", IUPAC.protein) 
>>> protein_seq 
Seq('AGCT', IUPACProtein()) 
>>> protein_seq.alphabet
 

此外，Biopython 通过 Bio.Data 模块公开了所有与生物信息学相关的配置数据。 例如，IUPACData.protein_letters 具有 IUPACProtein 字母表的可能字母。

>>> from Bio.Data import IUPACData 
>>> IUPACData.protein_letters 
'ACDEFGHIKLMNPQRSTVWY'
 

---

基本操作

本节简要介绍了 Seq 类中可用的所有基本操作。 序列类似于 python 字符串。 我们可以执行 python 字符串操作，如序列中的切片、计数、连接、查找、拆分和剥离。

使用以下代码获得各种输出。

获取序列中的第一个值。

>>> seq_string = Seq("AGCTAGCT") 
>>> seq_string[0] 
'A'
 

打印前两个值。

>>> seq_string[0:2] 
Seq('AG')
 

打印所有值。

>>> seq_string[ : ] 
Seq('AGCTAGCT')
 

执行长度和计数操作。

>>> len(seq_string) 
8 
>>> seq_string.count('A') 
2
 

添加两个序列。

>>> from Bio.Alphabet import generic_dna, generic_protein 
>>> seq1 = Seq("AGCT", generic_dna) 
>>> seq2 = Seq("TCGA", generic_dna)
>>> seq1+seq2 
Seq('AGCTTCGA', DNAAlphabet())
 

这里，上面的两个序列对象，seq1，seq2 是通用的 DNA 序列，所以你可以添加它们并产生新的序列。 您不能添加字母表不兼容的序列，例如下面指定的蛋白质序列和 DNA 序列 −

>>> dna_seq = Seq('AGTACACTGGT', generic_dna) 
>>> protein_seq = Seq('AGUACACUGGU', generic_protein) 
>>> dna_seq + protein_seq 
..... 
..... 
TypeError: Incompatible alphabets DNAAlphabet() and ProteinAlphabet() 
>>>
 

要添加两个或多个序列，首先将其存储在 python 列表中，然后使用"for 循环"检索它，最后将它们添加在一起，如下所示 −

>>> from Bio.Alphabet import generic_dna 
>>> list = [Seq("AGCT",generic_dna),Seq("TCGA",generic_dna),Seq("AAA",generic_dna)] 
>>> for s in list: 
... print(s) 
... 
AGCT 
TCGA 
AAA 
>>> final_seq = Seq(" ",generic_dna) 
>>> for s in list: 
... final_seq = final_seq + s 
... 
>>> final_seq 
Seq('AGCTTCGAAAA', DNAAlphabet())
 

在下面的部分中，给出了各种代码以根据要求获得输出。

改变序列的大小写。

>>> from Bio.Alphabet import generic_rna 
>>> rna = Seq("agct", generic_rna) 
>>> rna.upper() 
Seq('AGCT', RNAAlphabet())
 

检查 python 成员资格和身份运算符。

>>> rna = Seq("agct", generic_rna) 
>>> 'a' in rna 
True 
>>> 'A' in rna 
False 
>>> rna1 = Seq("AGCT", generic_dna) 
>>> rna is rna1 
False
 

在给定序列中查找单个字母或字母序列。

>>> protein_seq = Seq('AGUACACUGGU', generic_protein) 
>>> protein_seq.find('G') 
1 
>>> protein_seq.find('GG') 
8
 

执行拆分操作。

>>> protein_seq = Seq('AGUACACUGGU', generic_protein) 
>>> protein_seq.split('A') 
[Seq('', ProteinAlphabet()), Seq('GU', ProteinAlphabet()), 
   Seq('C', ProteinAlphabet()), Seq('CUGGU', ProteinAlphabet())]
 

按顺序执行剥离操作。

>>> strip_seq = Seq(" AGCT ") 
>>> strip_seq 
Seq(' AGCT ') 
>>> strip_seq.strip() 
Seq('AGCT')
 

更多例子参考：https://www.w3ccoo.com/biopython/biopython_sequence.html