### 使用 Python 处理基因序列的基础方法 #### 基因序列的读取与解析 在生物信息学领域，FASTA 是一种常见的文件格式，用于存储核酸或蛋白质序列。通过 Python 可以轻松实现 FASTA 文件的读取和解析。Biopython 提供了一个名为 `SeqIO` 的模块来简化这一过程[^1]。 以下是使用 Biopython 解析 FASTA 文件的一个简单示例： ```python from Bio import SeqIO def parse_fasta(file_path): sequences = [] for record in SeqIO.parse(file_path, "fasta"): sequences.append((record.id, str(record.seq))) return sequences file_path = "example.fasta" sequences = parse_fasta(file_path) for seq_id, sequence in sequences: print(f"Sequence ID: {seq_id}, Sequence Length: {len(sequence)}") ``` 上述代码展示了如何利用 `SeqIO.parse()` 方法逐条读取 FASTA 文件中的记录，并将其转换为元组列表形式以便进一步操作。 --- #### 批量计算序列长度 对于多个基因序列，可以批量计算其长度并保存到新的文件中。这可以通过简单的循环完成，也可以借助 Pandas 或其他数据分析工具进行更高效的处理[^3]。 以下是一个基本的例子： ```python import pandas as pd def calculate_sequence_lengths(sequences): data = {"ID": [], "Length": []} for seq_id, sequence in sequences: data["ID"].append(seq_id) data["Length"].append(len(sequence)) df = pd.DataFrame(data) return df df = calculate_sequence_lengths(sequences) print(df.head()) df.to_csv("sequence_lengths.csv", index=False) ``` 此脚本会生成一个 CSV 文件，其中包含每条序列的 ID 和对应的长度。 --- #### 特定序列的提取 如果需要从一组序列中提取满足某些条件的子集（例如长度大于某个阈值），可以编写过滤逻辑。下面展示的是基于长度筛选的示例： ```python def filter_sequences_by_length(sequences, min_length=500): filtered = [(id_, seq) for id_, seq in sequences if len(seq) >= min_length] return filtered filtered_sequences = filter_sequences_by_length(sequences, 1000) for seq_id, sequence in filtered_sequences: print(f"Filtered Sequence ID: {seq_id}, Length: {len(sequence)}") ``` 这段代码实现了按指定最小长度筛选的功能，可以根据实际需求调整参数[^2]。 --- #### 文本处理与格式化 除了基础的数据读写外，在生物信息学研究中还经常涉及复杂文本的处理工作，比如 VCF 文件的操作或者差异表达基因的结果筛选等。这些任务通常依赖于字符串匹配、正则表达式以及高级数据结构的支持。 假设有一个包含突变位点信息的表格，我们希望从中挑选出影响编码区域的变化，则可以用如下方式实现初步过滤： ```python import re def extract_coding_mutations(vcf_records): coding_pattern = re.compile(r"CDS|exon") # 匹配 CDS 或 exon 关键字 results = [] for line in vcf_records.splitlines(): fields = line.strip().split("\t") info_field = fields[-1].lower() if coding_pattern.search(info_field): results.append(line) return "\n".join(results) vcf_data = """...""" # 替换为真实的 VCF 数据 mutations = extract_coding_mutations(vcf_data) print(mutations[:100]) # 输出前 100 字符作为预览 ``` 这里定义了一种模式识别策略，能够快速定位可能具有功能意义的变异位置。 --- #### 总结 以上介绍了几种常见场景下运用 Python 对基因序列及相关数据进行加工的方法论框架。无论是单次实验还是大规模项目开发阶段，掌握好核心技能都将极大提升工作效率！