Python：如何在输出中输出正确的染色体名称？

Question

当我试图修改染色体名称不跟在输入文件染色体名称后面的代码时，我遇到了这个错误。基本上，下面的代码是读取输入文件并通知较短序列的位置，并根据文件中给出的信息输出位置序列。例如，在chr4:154742507-154742714中，值151表示第一个碱基的位置，“CCCAGGCTGG”位置是173-182。因此，使用下面的代码应该能够通过添加173到154742507返回我的确切位置，并获得下面的输出。有人能帮我吗？你知道吗

下面是输入文本文件的示例代码。你知道吗

输入.txt

chr4:154742507-154742714


                           CCCAGGCTGG
151  AGTCTTGCTTTTTTTGTCGTTGCCCAGGCTGGAGTGCAGTGGCACCATCTCGGCTCAC


chr9:47303792-47303999

      CCAGCCTGGG
1    TCCAGCCTGGGTGACAGCGTGAGGCTCTTGTCTCAAATAGAAAAAAAACAAAGAACAAAAAACAAAAAACCACCA

输出

chr1    154742680   154742690
chr1    47303794    47303804

预期产量

chr4    154742680   154742690
chr9    47303794    47303804

代码

import re  # regular expressions, not needed (alternatives: the `split` method) but convenient

result = []
output_file=open('output.bed','w')
with open('Input.txt') as f:
    for line in f:
        if line.startswith('chr'):
            label = line.strip()
        elif line[0] == ' ':
            # short sequence
            length = len(line.strip())
            # find the index of the beginning of the short sequence
            for i, c in enumerate(line):
                if c.isalpha():
                    short_index = i
                    break
        elif line[0].isdigit():
            # long sequence
            n = line.split(' ')[0]
            # find the index of the beginning of the long sequence
            for i, c in enumerate(line):
                if c.isalpha():
                    long_index = i
                    break
            start = int(n) + short_index - long_index
            start -= 1
            end = start + length
            result.append('{} {} {}'.format(label, start, end))
            offset, n, start, length = 0, 0, 0, 0
output_line= "\n".join(result)
output_file.write(output_line)
output_file.close()

output_file=open('last_output.bed','w')
with open('output.bed') as fin:
    for line in fin:
        start, _, offset_start, offset_end = re.search(r'[^:]*:(\d+)\D+(\d+)\D+(\d+)\D+(\d+)', line).groups()
        output_line=('chr1\t{}\t{}\n'.format(int(start) + int(offset_start) + 1,int(start) + int(offset_end) + 1))
        output_file.write(output_line)
output_file.close()

Answer 1

如果我正确理解了这个问题，那么您遇到的问题只与错误输出的染色体数（chr##）有关。你知道吗

这似乎有点明显。在代码末尾，您将对其进行硬编码：

output_line=('chr1\t{}\t{}\n'.format(stuff))

如果您不希望输出总是显示chr1，那么您需要更改它。你知道吗

上一行的正则表达式似乎与文件中的染色体号匹配，只是没有将其捕获到一个组中，以便以后使用。尝试：

chromosome, start, _, offset_start, offset_end = re.search(r'([^:]*):(\d+)\D+(\d+)\D+(\d+)\D+(\d+)', line).groups()
output_line=('{}\t{}\t{}\n'.format(chromosome, int(start) + int(offset_start) + 1,int(start) + int(offset_end) + 1))

这仍然是相当丑陋，但应该工作。请注意，如果您从初始循环中获得正确的输出，而不是写出中间格式然后需要重新分析它，则会容易得多。你知道吗