从SwissProt Fasta Fi导入序列

Question

我正在处理来自瑞士港口（ftp://ftp.uniprot.org/pub/databases/uniprot/current_release/knowledgebase/complete/uniprot_sprot.fasta.gz）的fasta文件，在以'>'开头的行中，我们得到了下一行中蛋白质的一些信息，即氨基酸序列。在

有没有一种方法可以使用基因名（在被描述为“GN=xxxxxxx”的行中是x”的基因名）来搜索这些行，然后导入这些行中的序列吗？在

我一直在努力解决这个问题，因为在行的中间搜索和创建复制下一行的循环时遇到了困难。在

Answer 1

如果您正在使用Linux，请熟悉sed、awk和{}。他们会为你节省很多时间。在

假设我们在寻找基因FV3-002L

sed -n '/GN=FV3-002L/,/^>/p' uniprot_sprot.fasta | head -n -1

-n：告诉sed只在被告知时打印

GN=FV3-002L：您的搜索词

^>：搜索的结尾，^是一行的开始，>是FASTA标题的开始

/p：告诉sed打印匹配项

| head -n -1：去掉最后一行（太懒了，找不到更好的正则表达式，但是你明白了）

---

使用Python：

^{pr2}$

这个脚本打开uniprot文件，读取每一行，检查是否找到了基因名，如果找到了，它会读取每一行直到下一个头，最后打印FASTA序列。在

请注意：这些片段只适用于一个例子，但也可以适用于多个基因。如果您想经常这样做，那么寻找更有效的数据处理方法是值得的。对于生物数据的操作，您还可以查看BioPython。在