pyfastx是一个python模块，用于快速随机访问来自普通和gzip fast a文件的序列
pyfastx的Python项目详细描述
一个健壮的python模块，用于快速随机访问来自普通和gzip fast a文件的序列
目录
About
pyfastx是一个轻量级的python c扩展，它允许用户随机访问来自普通文件和gzippedfasta文件的序列。该模块旨在为用户提供简单的api，以便通过标识符和索引号从fasta中提取sequence。pyfastx将构建存储在sqlite3数据库文件中的索引，以便进行随机访问，以避免消耗过多的内存。此外，pyfastx还可以解析标准（序列，这些序列分布在多个长度相同的行）和非标准（不同长度的行）fasta格式。此模块使用klib项目中@attractivechaos编写的kseq.h解析普通fasta文件，使用indexed_gzip项目中@pauldmccarthy编写的zran.c索引gzip文件以进行随机访问。
Installation
在启动之前，请确保同时拥有pip和至少3.5版python。
您可以通过python包索引（pypi）安装pyfastx。
pip install pyfastx
更新pyfastx模块
pip install -U pyfastx
Usage
Read FASTA file
解析平面或gzip fasta文件而不构建索引的最快方法。
>>>importpyfastx>>>forname,seqinpyfastx.Fasta('test/data/test.fa.gz',build_index=False):>>>print(name,seq)
读取flat或gzip格式的fasta文件并建立索引，支持对fasta的随机访问。
>>>importpyfastx>>>fa=pyfastx.Fasta('test/data/test.fa.gz')>>>fa<Fasta>test/data/test.fa.gzcontains211seqs
注意
注：建筑指数可能需要一些时间。建立索引所需的时间取决于fasta文件的大小。如果建立了索引，则可以随机访问fasta文件中的任何序列。
Get FASTA information
>>># get sequence counts in FASTA>>>len(fa)211>>># get total sequence length of FASTA>>>fa.size86262>>># get GC content of DNA sequence of FASTA>>>fa.gc_content43.529014587402344>>># get composition of nucleotides in FASTA>>>fa.composition{'A':24534,'C':18694,'G':18855,'T':24179,'N':0}
Get sequence from FASTA
>>># get sequence like a dictionary by identifier>>>s1=fa['JZ822577.1']>>>s1<Sequence>JZ822577.1withlengthof333>>># get sequence like a list by index>>>s2=fa[2]>>>s2<Sequence>JZ822579.1withlengthof176>>># get last sequence>>>s3=fa[-1]>>>s3<Sequence>JZ840318.1withlengthof134>>># check a sequence name weather in FASTA file>>>'JZ822577.1'infaTrue
Get sequence information
>>>s=fa[-1]>>>s<Sequence>JZ840318.1withlengthof134>>># get sequence name>>>s.name'JZ840318.1'>>># get sequence string>>>s.seq'ACTGGAGGTTCTTCTTCCTGTGGAAAGTAACTTGTTTTGCCTTCACCTGCCTGTTCTTCACATCAACCTTGTTCCCACACAAAACAATGGGAATGTTCTCACACACCCTGCAGAGATCACGATGCCATGTTGGT'>>># get sequence length>>>len(s)134>>># get GC content if dna sequence>>>s.gc_content46.26865768432617>>># get nucleotide composition if dna sequence>>>s.composition{'A':31,'C':37,'G':25,'T':41,'N':0}
Sequence slice
序列对象可以像python字符串一样进行切片
>>># get a sub seq from sequence>>>ss=seq[10:30]>>>ss<Sequence>JZ840318.1from11to30>>>ss.name'JZ840318.1:11-30'>>>ss.seq'CTTCTTCCTGTGGAAAGTAA'>>>ss=s[-10:]>>>ss<Sequence>JZ840318.1from125to134>>>ss.name'JZ840318.1:125-134'>>>ss.seq'CCATGTTGGT'
注意
注意：切片开始和结束坐标是基于0的。目前，pyfastx不支持可选的第三个step或stride参数。例如ss[::-1]
Reverse and complement sequence
>>># get sliced sequence>>>fa[0][10:20].seq'GTCAATTTCC'>>># get reverse of sliced sequence>>>fa[0][10:20].reverse'CCTTTAACTG'>>># get complement of sliced sequence>>>fa[0][10:20].complement'CAGTTAAAGG'>>># get reversed complement sequence, corresponding to sequence in antisense strand>>>fa[0][10:20].antisense'GGAAATTGAC'
Get subsequences
使用[开始，结束]坐标列表可以从fasta文件中检索子菜单项
>>># get subsequence with start and end position>>>interval=(1,10)>>>fa.fetch('JZ822577.1',interval)'CTCTAGAGAT'>>># get subsequences with a list of start and end position>>>intervals=[(1,10),(50,60)]>>>fa.fetch('JZ822577.1',intervals)'CTCTAGAGATTTTAGTTTGAC'>>># get subsequences with reverse strand>>>fa.fetch('JZ822577.1',(1,10),strand='-')'ATCTCTAGAG'
Get identifiers
将序列的所有标识符获取为类似列表的对象。
>>>ids=fa.keys()>>>ids<Identifier>contains211identifiers>>># get count of sequence>>>len(ids)211>>># get identifier by index>>>ids[0]'JZ822577.1'>>># check identifier where in fasta>>>'JZ822577.1'inidsTrue>>># iter identifiers>>>fornameinids:>>>print(name)>>># convert to a list>>>list(ids)
Acknowledgements
kseq.h和zlib用于解析fasta格式。Sqlite3用于存储生成的索引。pyfastx可以随机访问来自gzip fasta文件的序列，该文件主要归因于indexed_gzip。
欢迎加入QQ群-->： 979659372
