将大fasta拆分成多个文件，不能用GI号命名

Posted 2023-02-25

【中文标题】将大fasta拆分成多个文件，不能用GI号命名

【英文标题】：Split large fasta into mulitple files, can't name them with GI number

【发布时间】：2012-05-30 15:46:33

【问题描述】：

首先我应该说我对 Python 和 Biopython 都是新手。我正在尝试将一个大的 .fasta 文件（包含多个条目）拆分为单个文件，每个文件都有一个条目。我在 Biopython wiki/Cookbook 网站上找到了以下大部分代码，并对其进行了一些调整。我的问题是这个生成器将它们命名为“1.fasta”、“2.fasta”等，我需要用一些标识符来命名它们，例如 GI 编号。

 def batch_iterator(iterator, batch_size) :
    """Returns lists of length batch_size.

    This can be used on any iterator, for example to batch up
    SeqRecord objects from Bio.SeqIO.parse(...), or to batch
    Alignment objects from Bio.AlignIO.parse(...), or simply
    lines from a file handle.

    This is a generator function, and it returns lists of the
    entries from the supplied iterator.  Each list will have
    batch_size entries, although the final list may be shorter.
    """
    entry = True #Make sure we loop once
    while entry :
        batch = []
        while len(batch) < batch_size :
            try :
                entry = next(iterator)
            except StopIteration :
                entry = None
            if entry is None :
                #End of file
                break
            batch.append(entry)
        if batch :
            yield batch

from Bio import SeqIO
infile = input('Which .fasta file would you like to open? ')
record_iter = SeqIO.parse(open(infile), "fasta")
for i, batch in enumerate(batch_iterator(record_iter, 1)) :
    outfile = "c:\python32\myfiles\%i.fasta" % (i+1)
    handle = open(outfile, "w")
    count = SeqIO.write(batch, handle, "fasta")
    handle.close()

如果我尝试替换：

outfile = "c:\python32\myfiles\%i.fasta" % (i+1)

与：

outfile = "c:\python32\myfiles\%s.fasta" % (record_iter.id)

这样它会在 SeqIO 中命名类似于 seq_record.id 的东西，它会给出以下错误：

    Traceback (most recent call last):
  File "C:\Python32\myscripts\generator.py", line 33, in [html]
    outfile = "c:\python32\myfiles\%s.fasta" % (record_iter.id)
AttributeError: 'generator' object has no attribute 'id'

虽然生成器函数没有属性“id”，但我能以某种方式解决这个问题吗？这个脚本对于我想要做的事情来说太复杂了吗？！？谢谢，查尔斯

【参考方案1】：

因为您一次只需要一条记录，您可以放弃 batch_iterator 包装器和枚举：

for seq_record in record_iter:

然后你想要的是每条记录的 id 属性，而不是整个迭代器：

for seq_record in record_iter:
    outfile = "c:\python32\myfiles\0.fasta".format(seq_record.id)
    handle = open(outfile, "w")
    count = SeqIO.write(seq_record, handle, "fasta")
    handle.close()

供您参考，生成器错误是您尝试从对象record_iter 获取属性id 的结果。 record_iter 不是一条记录，而是一组记录，它们被保存为 Python 生成器，有点像一个正在处理的列表，因此您不必读取整个文件一次，内存使用效率更高。更多关于生成器：What can you use Python generator functions for?，http://docs.python.org/tutorial/classes.html#generators，

【讨论】：

似乎是最好和最简单的方法。使用with open(outfile, "w") as handle:

打开输出文件会更干净

或者不要在代码中打开，而是让 Biopython 来做：count = SeqIO.write(seq_record, outfile, "fasta")