序列比对在biopython中的处理

欢迎关注”生信修炼手册”!

序列比对是生物信息学分析中的常见任务，包含局部比对和全局比对两大算法，局部比对最经典的代表是blast, 全局比对则用于多序列比对。在biopython中，支持对序列比对的结果进行读写，解析，以及运行序列比对的程序。

首先来看下多序列比对，多序列比对的软件较多，比如clustalw, muscle, mafft等，输出结果的格式也很多，比如clustal, fasta, phylip等。在biopython中，为不同格式，不同软件提供了统一的接口，方便我们的使用

1. 读取多序列比对结果

通过Bio.AlignIO模块来对多序列比对结果进行读写，其中的parse方法用于从文件句柄中读取多序列比对的内容，用法如下

>>> from Bio import AlignIO
>>> alignment = AlignIO.parse('clustal.out', 'clustal')
>>> print(alignment)
0x0928C300>
>>> for i in alignment:
...     print(i.id)
...

该方法的返回值是一个迭代器，每次迭代，返回的是一个SeqRecord对象。

2. 输出多序列比对结果

通过write方法将多序列比对的结果输出到文件中，可以指定输出文件的格式，用法如下

>>> alignments = AlignIO.parse("aln.fasta", "fasta")
>>> AlignIO.write(alignments, "aln.clustal", "clustal")

和Bio.SeqIO相同，针对格式转换，也体用了convert方法，用法如下

>>> count = AlignIO.convert("aln.fasta", "fasta", "align.clustal", "clustal")

3. 运行多序列比对程序

为了简化调用，在Bio.Applicaitons模块中，提供了各种应有的调用接口。对于多序列比对结果，默认调用位于本地PATH环境变量下的可执行程序，来执行对应的命令，以clustalw为例，用法如下

>>> from Bio.Align.Applications import ClustalwCommandline
>>> cline = ClustalwCommandline("clustalw2", infile="input.fasta")

第一个参数指定可执行程序，如果可执行程序位于PATH变量下，指定可执行程序的名称即可，否则需要指定可执行程序的完整路径。clustalw会根据输入文件的名称，自动确定输出文件的名字。当然，也可以通过参数指定输出文件的名字。

Bio.Applicaitons模块通过subprocess来调用程序，我们可以借此来读取程序的标准输出和标准错误流信息。比如以muscle为例，通过直接读取标准输出，避免了创建临时文件，示例如下

>>> import subprocess
>>> from Bio.Align.Applications import MuscleCommandline
>>> from Bio import AlignIO
>>> muscle_cline = MuscleCommandline(input="opuntia.fasta")
>>> child = subprocess.Popen(str(muscle_cline), stdout=subprocess.PIPE, stderr=subprocess.PIPE, shell=True)
>>> align = AlignIO.read(child.stdout, "fasta")

对于局部比对而言，biopython可以运行blast并解析其输出

1. 运行blast

支持联网运行和本地运行两种模式，联网运行时调用NCBI网站的blast程序，用法如下

# 传统的文件读取, 适合fasta格式
>>> from Bio.Blast import NCBIWWW
>>> fasta_string = open("input.fasta").read()
>>> result_handle = NCBIWWW.qblast("blastn", "nt", fasta_string)
# Bio.SeqIO读取，适合fasta,genebank等格式
>>> record = SeqIO.read("input.fasta", format="fasta")
>>> result_handle = NCBIWWW.qblast("blastn", "nt", record.format('fasta'))

在线运行只需要我们提供查询序列即可，用的数据库是NCBI的公共数据库，而本地运行则要求我们在本地安装好blast可执行程序，构建本地版本的blast数据库才行，本地运行的用法如下

>>> from Bio.Blast.Applications import NcbiblastxCommandline
>>> blastx_cline = NcbiblastxCommandline(query="query.fasta", db="nr", evalue=0.001, outfmt=5, out="output.xml")
>>> stdout, stderr = blastx_cline()

2. 解析blast的输出

biopython中blast默认的输出格式为xml, 解析其输出的用法如下

>>> from Bio.Blast import NCBIXML
>>> blast_records = NCBIXML.parse(result_handle)
>>> E_VALUE_THRESH = 0.001
>>> for blast_record in blast_records:
...     for alignment in blast_record.alignments:
...         for hsp in alignment.hsps:
...             if hsp.expect < E_VALUE_THRESH:
...                 print '****Alignment****'
...                 print 'sequence:', alignment.title
...                 print 'length:', alignment.length
...                 print 'e value:', hsp.expect
...                 print hsp.query[0:75] + '...'
...                 print hsp.match[0:75] + '...'
...                 print hsp.sbjct[0:75] + '...'

对于序列比对结果的运行和解析，通过biopython可以很好的将其整合到python生态中，对于用python构建一套完整的pipeline,非常的方便。

·end·

—如果喜欢，快分享给你的朋友们吧—

原创不易，欢迎收藏，点赞，转发！生信知识浩瀚如海，在生信学习的道路上，让我们一起并肩作战！

本公众号深耕耘生信领域多年，具有丰富的数据分析经验，致力于提供真正有价值的数据分析服务，擅长个性化分析，欢迎有需要的老师和同学前来咨询。