Biopython 序列

序列是用来表示生物体蛋白质、DNA或RNA的一系列字母。它由Seq类表示。Seq类被定义在Bio.Seq模块中。

让我们在Biopython中创建一个简单的序列，如下图所示。

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

这里，我们创建了一个简单的蛋白质序列 AGCT ，每个字母代表 A lanine、 G lycine、 C ysteine和 T hreonine。

每个Seq对象有两个重要的属性 –

• 数据 – 实际的序列字符串(AGCT)

• 字母 – 用来表示序列的类型。例如，DNA序列、RNA序列等。默认情况下，它不代表任何序列，在性质上是通用的。

字母表模块

Seq对象包含Alphabet属性，用于指定序列类型、字母和可能的操作。它被定义在Bio.Alphabet模块中。字母表可以被定义为以下内容

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

字母表模块提供以下类来表示不同类型的序列。Alphabet – 所有类型的字母的基类。

SingleLetterAlphabet – 通用的字母表，字母大小为1。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 – 通用的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 – 通用的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 – 通用的单字母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 – 通用的单字母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提供了由IUPAC社区定义的基本序列类型。它包含以下类别

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

• 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模糊DNA。

• IUPACUnambiguousDNA (unambiguous_dna) – 大写的IUPAC不含糊的DNA（GATC）。

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

• IUPACAmbiguousRNA (ambiguous_rna) – 大写的IUPAC含糊RNA。

• IUPACUnambiguousRNA (unambiguous_rna) – 大写的IUPAC非歧义RNA（GAUC）。

考虑一个简单的IUPACProtein类的例子，如下所示 –

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

同时，Biopython通过Bio.Data模块公开了所有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

本节简要地解释了Seq类中的所有基本操作。序列类似于 python 字符串。我们可以在序列中执行python字符串操作，如切片、计数、串联、查找、分割和剥离。

使用下面的代码来获得各种输出。

要获得序列中的第一个值 。

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

要打印前两个值 。

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

要打印所有的数值 。

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

要进行长度和计数操作 。

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

要添加两个序列 。

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

在这里，上述两个序列对象，seq1，seq2是通用的DNA序列，因此你可以添加它们并产生新的序列。你不能添加具有不相容字母的序列，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() 
>>>

要添加两个或更多的序列，首先将其存储在一个Python列表中，然后使用 “for循环 “进行检索，最后将其添加到一起，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())

在下面一节中，给出了各种代码，以根据要求获得输出。

为了改变序列的情况 。

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

检查Python成员和身份操作员 。

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

在给定的序列中寻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

要执行分割操作 。

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

要按顺序进行带状操作 。

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