接收名称错误如何修复？

Question

我正在从事一个项目，我在nano中编写的以下代码存在问题：

from Bio import SeqIO
import sys
import re 


    fasta_file = (sys.argv[1])
    for myfile in SeqIO.parse(fasta_file, "fasta"):
      if len(myfile) > 250:
       gene_id = myfile.id
       list = re.match('H149xcV\_\w+\_\w+\_\w+', gene_id)
       print (">"+list.group(1)) 

这是我在command-line上执行命令时收到的错误：

File "mpo.py", line 7, in <module>
    gene_id = myfile.id
NameError: name 'myfile' is not defined

我有一个格式为的fasta文件

>H149xcV_Fge342_r3_h2_d1 len=210 path=[0:0-206]
ACTATACATGAGGAGAACATAGAACAAAAATGGGACCATAGATATATAACAATAGAAGATATAGAGAACACAATAGACAACTTATTAGGAAAGAGGTGTGTCGTCATGGAGCTGATGTTCGAGGATACTTTGCATGGTCATTCTTGGATAATTTTGAGTGGGCTATGGGATACACCAAGAGGTTTGGCATTGTTTATGTTGATTATAAGAACGGGC

 >H149xcV_ytR1oP_r3_h2_d1 len=306 path=[0:0-207]
    ATTAGAGTCTGAGAGAGTCTTGATTTGTCGTCGTCGAGAAATATAGGAGATCTGATTAGAGGAGAGAGCGGCCTAGGCGATGCGCGATATAGCGCTATATAGGCCTAGAGGAGAGTCTCTCTCTTTTAGAAGAGATAATATATATATATATATGGCTCTCCGGCGGGGCCGCGCGAGAGCTCGATCGATCGATATTAGCTGTACGATGCTAGCTAGCTTATATTCGATCGATTATAGCTTAGATCTCTCTCTAAAGGTCGATATCGCTTATGCGCGCGTATATCG

我想重新格式化我的文件，这样它只提供给我唯一的基因id，并且只输出那些长度大于250 bp的基因id

我希望所需的输出如下所示：

>H149xcV_Fge342_r3_h2
>H149xcV_ytR1oP_r3_h2
>H149xcV_DPN78333_r3_h2
>H149xcV_AgV472_r3_h2
>H149xcV_DNP733_r3_h2

Answer 1

正如问题后面的注释中所建议的，要匹配的参数应该是字符串。我要补充的一点是，python3有一个r“”字符串分隔符用于正则表达式。您的代码如下所示：

from Bio import SeqIO
import sys
import re 


    fasta_file = (sys.argv[1])
    for myfile in SeqIO.parse(fasta_file, "fasta"):
      if len(myfile) > 250:
       gene_id = myfile.id
       list = re.match(r"H149xcV_\w+_\w+_\w+", gene_id)
       print (">"+list.group(0)) 

下划线不是一个特殊的正则表达式字符（我记得），所以不需要转义

match()函数接受一个正则表达式和您正在搜索的字符串（因此我添加了gene_id）。最后，您希望输出group(0)。第（0）组表示整场比赛。组（1）来自第一个捕获参数（您没有），因此请使用组（0）

Answer 2

使用EMBOSS包中的^{}实用程序，并通过所选脚本语言中的一行程序将输出（一个带有序列ID和长度的表）通过管道传输。这里，为了简单起见，我使用Perl：

cat input.fasta | \
    infoseq -auto -only -name -length stdin | \
    perl -lane 'my ($name, $length) = @F; if ( !$seen{$name}++ && $length > 250 ) { print ">$name"; }' > output.fasta

安装EMBOSS，例如，使用conda：

conda create  name emboss emboss