Biopython - 序列

序列是一系列用於表示生物體蛋白質、DNA 或 RNA 的字母。它由 Seq 類表示。Seq 類在 Bio.Seq 模組中定義。

讓我們在 Biopython 中建立一個簡單的序列，如下所示：

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

這裡，我們建立了一個簡單的蛋白質序列 **AGCT**，每個字母分別代表 **A**lanine（丙氨酸）、**G**lycine（甘氨酸）、**C**ysteine（半胱氨酸）和 **T**hreonine（蘇氨酸）。

每個 Seq 物件有兩個重要的屬性：

data - 實際的序列字串 (AGCT)
alphabet - 用於表示序列型別。例如 DNA 序列、RNA 序列等。預設情況下，它不代表任何序列，並且本質上是通用的。

字母表模組

Seq 物件包含 Alphabet 屬性以指定序列型別、字母和可能的運算。它在 Bio.Alphabet 模組中定義。字母表可以定義如下：

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

Alphabet 模組提供以下類來表示不同型別的序列。Alphabet - 所有型別字母表的基類。

SingleLetterAlphabet - 長度為一的字母的通用字母表。它派生自 Alphabet，所有其他字母表型別都派生自它。

>>> 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 - 通用單字母蛋白質字母表。

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

NucleotideAlphabet - 通用單字母核苷酸字母表。

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

DNAAlphabet - 通用單字母 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 - 通用單字母 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 模組 Bio.Alphabet.IUPAC 提供了由 IUPAC 社群定義的基本序列型別。它包含以下類：

**IUPACProtein (protein)** - 20 種標準氨基酸的 IUPAC 蛋白質字母表。
**ExtendedIUPACProtein (extended_protein)** - 包括 X 的擴充套件大寫 IUPAC 蛋白質單字母字母表。
**IUPACAmbiguousDNA (ambiguous_dna)** - 大寫 IUPAC 模稜兩可的 DNA。
**IUPACUnambiguousDNA (unambiguous_dna)** - 大寫 IUPAC 明確的 DNA (GATC)。
**ExtendedIUPACDNA (extended_dna)** - 擴充套件的 IUPAC DNA 字母表。
**IUPACAmbiguousRNA (ambiguous_rna)** - 大寫 IUPAC 模稜兩可的 RNA。
**IUPACUnambiguousRNA (unambiguous_rna)** - 大寫 IUPAC 明確的 RNA (GAUC)。

考慮一個 IUPACProtein 類的簡單示例，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 透過 Bio.Data 模組公開所有與生物資訊學相關的配置資料。例如，IUPACData.protein_letters 包含 IUPACProtein 字母表可能的字母。

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

基本操作

本節簡要介紹了 Seq 類中所有可用的基本操作。序列類似於 Python 字串。我們可以在序列中執行 Python 字串操作，如切片、計數、連線、查詢、分割和去除空格。

使用以下程式碼獲取各種輸出。

獲取序列中的第一個值。

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

列印前兩個值。

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

列印所有值。

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

執行長度和計數操作。

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

新增兩個序列。

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

這裡，以上兩個序列物件 seq1、seq2 是通用 DNA 序列，因此您可以將它們新增並生成新的序列。您不能新增具有不相容字母表的序列，例如蛋白質序列和 DNA 序列，如下所示：

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

要新增兩個或多個序列，首先將其儲存在 Python 列表中，然後使用“for 迴圈”檢索它，最後將其加在一起，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())

在以下部分，給出了根據需求獲取輸出的各種程式碼。

更改序列的大小寫。

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

檢查 Python 成員資格和身份運算子。

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

在給定序列中查詢單個字母或字母序列。

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

執行分割操作。

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

在序列中執行去除空格操作。

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

列印頁面