序列比对在biopython中的处理

欢迎关注”生信修炼手册”!
序列比对是生物信息学分析中的常见任务,包含局部比对和全局比对两大算法,局部比对最经典的代表是blast, 全局比对则用于多序列比对。在biopython中,支持对序列比对的结果进行读写,解析,以及运行序列比对的程序。

首先来看下多序列比对,多序列比对的软件较多,比如clustalw, muscle, mafft等,输出结果的格式也很多,比如clustal, fasta, phylip等。在biopython中,为不同格式,不同软件提供了统一的接口,方便我们的使用

1. 读取多序列比对结果

通过Bio.AlignIO模块来对多序列比对结果进行读写,其中的parse方法用于从文件句柄中读取多序列比对的内容,用法如下

>>> from Bio import AlignIO
>>> alignment = AlignIO.parse('clustal.out', 'clustal')
>>> print(alignment)
<generator object parse at 0x0928C300>
>>> for i in alignment:
...     print(i.id)
...
该方法的返回值是一个迭代器,每次迭代,返回的是一个SeqRecord对象。

2. 输出多序列比对结果

通过write方法将多序列比对的结果输出到文件中,可以指定输出文件的格式,用法如下

>>> alignments = AlignIO.parse("aln.fasta", "fasta")
>>> AlignIO.write(alignments, "aln.clustal", "clustal")

和Bio.SeqIO相同,针对格式转换,也体用了convert方法,用法如下

>>> count = AlignIO.convert("aln.fasta", "fasta", "align.clustal", "clustal")

3. 运行多序列比对程序

为了简化调用,在Bio.Applicaitons模块中,提供了各种应有的调用接口。对于多序列比对结果,默认调用位于本地PATH环境变量下的可执行程序,来执行对应的命令,以clustalw为例,用法如下

>>> from Bio.Align.Applications import ClustalwCommandline
>>> cline = ClustalwCommandline("clustalw2", infile="input.fasta")

第一个参数指定可执行程序,如果可执行程序位于PATH变量下,指定可执行程序的名称即可,否则需要指定可执行程序的完整路径。clustalw会根据输入文件的名称,自动确定输出文件的名字。当然,也可以通过参数指定输出文件的名字。

Bio.Applicaitons模块通过subprocess来调用程序,我们可以借此来读取程序的标准输出和标准错误流信息。比如以muscle为例,通过直接读取标准输出,避免了创建临时文件,示例如下

>>> import subprocess
>>> from Bio.Align.Applications import MuscleCommandline
>>> from Bio import AlignIO
>>> muscle_cline = MuscleCommandline(input="opuntia.fasta")
>>> child = subprocess.Popen(str(muscle_cline), stdout=subprocess.PIPE, stderr=subprocess.PIPE, shell=True)
>>> align = AlignIO.read(child.stdout, "fasta")

对于局部比对而言,biopython可以运行blast并解析其输出

1. 运行blast

支持联网运行和本地运行两种模式,联网运行时调用NCBI网站的blast程序,用法如下

# 传统的文件读取, 适合fasta格式
>>> from Bio.Blast import NCBIWWW
>>> fasta_string = open("input.fasta").read()
>>> result_handle = NCBIWWW.qblast("blastn", "nt", fasta_string)
# Bio.SeqIO读取,适合fasta,genebank等格式
>>> record = SeqIO.read("input.fasta", format="fasta")
>>> result_handle = NCBIWWW.qblast("blastn", "nt", record.format('fasta'))

在线运行只需要我们提供查询序列即可,用的数据库是NCBI的公共数据库,而本地运行则要求我们在本地安装好blast可执行程序,构建本地版本的blast数据库才行,本地运行的用法如下

>>> from Bio.Blast.Applications import NcbiblastxCommandline
>>> blastx_cline = NcbiblastxCommandline(query="query.fasta", db="nr", evalue=0.001, outfmt=5, out="output.xml")
>>> stdout, stderr = blastx_cline()

2. 解析blast的输出

biopython中blast默认的输出格式为xml,  解析其输出的用法如下

>>> from Bio.Blast import NCBIXML
>>> blast_records = NCBIXML.parse(result_handle)
>>> E_VALUE_THRESH = 0.001
>>> for blast_record in blast_records:
...     for alignment in blast_record.alignments:
...         for hsp in alignment.hsps:
...             if hsp.expect < E_VALUE_THRESH:
...                 print '****Alignment****'
...                 print 'sequence:', alignment.title
...                 print 'length:', alignment.length
...                 print 'e value:', hsp.expect
...                 print hsp.query[0:75] + '...'
...                 print hsp.match[0:75] + '...'
...                 print hsp.sbjct[0:75] + '...'

对于序列比对结果的运行和解析,通过biopython可以很好的将其整合到python生态中,对于用python构建一套完整的pipeline,非常的方便。

·end·
—如果喜欢,快分享给你的朋友们吧—

原创不易,欢迎收藏,点赞,转发!生信知识浩瀚如海,在生信学习的道路上,让我们一起并肩作战!

本公众号深耕耘生信领域多年,具有丰富的数据分析经验,致力于提供真正有价值的数据分析服务,擅长个性化分析,欢迎有需要的老师和同学前来咨询。
  更多精彩
  • KEGG数据库,除了pathway你还知道哪些

  • 全网最完整的circos中文教程

  • DNA甲基化数据分析专题

  • 突变检测数据分析专题

  • mRNA数据分析专题

  • lncRNA数据分析专题

  • circRNA数据分析专题

  • miRNA数据分析专题

  • 单细胞转录组数据分析专题

  • chip_seq数据分析专题

  • Hi-C数据分析专题

  • HLA数据分析专题

  • TCGA肿瘤数据分析专题

  • 基因组组装数据分析专题

  • CNV数据分析专题

  • GWAS数据分析专题

  • 2018年推文合集

  • 2019年推文合集

  写在最后
转发本文至朋友圈,后台私信截图即可加入生信交流群,和小伙伴一起学习交流。

扫描下方二维码,关注我们,解锁更多精彩内容!

序列比对在biopython中的处理

一个只分享干货的

生信公众号

生物医学科研方法

最新发布丨国家卫生健康委关于印发三级医院评审标准(2020年版)的通知​

2021-1-1 1:45:14

生物医学科研方法

如何迅速找到领域大牛,用这个网站

2021-1-1 2:05:15