BioSequences 1.0.8

Tools to analysis biology sequence

BioSequences

---

用于分析核酸与肽段序列

下载源码编译

python setup.py build_ext --inplace
rm ./build

pip安装

pip install biosequences

---

主要功能

bioseq.Sequence(seq="")

• RNA，DNA和Peptide都基于此抽象类，因此Sequence中的属性和方法为所有序列对象公有的属性和方法。
• 相同的序列对象可以直接与同类对象或字符串进行拼接，比较。
• 所有对象都不会对seq进行检查，所以构建对象时需要主要seq中不要出现不应该出现的字符，以免发生不必要的问题

from bioseq import DNA, Peptide

d1 = DNA("ATCC")
d2 = DNA("AC")
p1 = Peptide("MATN")

d1  # 5'-ATCC-3'
p1  # N-MATN-C
d1 + d2  # 5'-ATCCAC-3'
d2 + d1  # 5'-ACATCC-3'
d1 + p2  # TypeError(Only str or DNA can be added to DNA)
d1 == d2  # False

属性

seq

序列信息，不可修改

length

序列的长度

weight

序列的分子量

composition

序列中各个单位的含量

方法

align(subject, mode=1, return_score=False)

subject(str | Sequence)：比对对象
mode（int）：
  1 - 使用Needleman-Wunsch进行全局比对
  2 - 使用Smith-Waterman进行局部比对
return_score：是否返回匹配分数

find(target)

在序列中查找目标序列并返回所有匹配的起始位置

target(str| Sequence)：目标序列

mutation(position, target)

改变序列信息

position(str | int | List[int])：修改位置的起始值或需要修改的字符串
target(str| Sequence)：目标序列

bioseq.RNA

用于存储RNA序列信息。

属性

revered

返回序列的反向RNA序列

complemented

返回序列的反向互补RNA序列

GC

返回序列的GC含量

orf

序列中的开放读码框，使用过getOrf()方法后才具有此属性

peptide

序列转录产物，使用过tanscript()后才有此属性

方法

revers()

将序列自身变为其反向序列。注意：会修改序列自身

complemented()

将序列自身变为其反向互补序列。注意：会修改序列自身

getOrf(multi=False, replace=False)

获取序列上的ORF

multi（bool）：是否查找所有frame +1~+3的orf，设置为False则仅查找最长的orf
replace（bool）： 当multi=False时生效，是否将最长的orf替换为原序列

transcript(filter=True)

将序列翻译为肽链

filter(bool)：是否对翻译进行筛选。设置为True时仅返回最长的翻译产物，否则返回所有翻译产物。翻译产物均为Peptide对象。

bioseq.DNA

用于存储DNA序列信息。

方法

translate()

将DNA翻译为RNA对象并返回

transcript(filter = True)

将序列翻译为肽链

filter(bool)：是否对翻译进行筛选。设置为True时仅返回最长的翻译产物，否则返回所有翻译产物。翻译产物均为Peptide对象。

bioseq.sequence.Peptide

用于存储肽链序列信息。

Peptide

属性

pl

基于EMBOSS数据库中氨基酸的pK值， 计算该肽链序列的等电点并返回

方法

chargeInpH(pH)

基于EMBOSS数据库中氨基酸的pK值，计算肽链在某一pH下所带的电荷量

getHphob(window_size=9, show_img=True)

基于Doolittle（1982）的氨基酸疏水性数据，计算肽链的疏水性，疏水性

window_size(int)：某一氨基酸的疏水性为window_size内该氨基酸位于window中心时的所有氨基酸疏水性的平均值
show_img：绘制疏水性结果，需要安装matplotlib

bioseq.config

可在此文件中直接修改配置数据，或通过以下函数在运行时修改部分数据

setAlignPara(match = 2, mismatch = -3, gap_open = -3, gap_extend = -3)

修改序列比对时的评分规则，需要在比对前进行设置

match(int) ：匹配得分（>0）
mismath(int)：错配得分（<0）
gap_open(int)：开口得分（<0）
gap_extend(int)：开口延长得分（<0） 

d1 = DNA("ATCTCGC")
d2 = DNA("ATCCC")

print(d1.align(d2, return_score = True))	#('ATCTCGC', 'ATC-C-C', 4.0)
setAlignPara(5)
print(d1.align(d2, return_score = True))	#('ATCTCGC', 'A--TCCC', -0.5)

setStartCoden(coden)

修改核酸序列转录时需要的起始密码子

coden(str | List(str))：密码子会在coden中寻找，如有匹配则开始进行转录

d1 = DNA("ATCATCTCAGCATGAC")

print(d1.transcript(filter=False))	# []
setStartCoden(["AUC"])
print(d1.transcript(filter=False))	# [N-IISA-C, N-ISA-C]

bioseq.utils

工具

printAlign(sequence1, sequence2, spacing=10, line_width=30, show_seq=True)

在命令行中按格式输出两个比对后的序列， 可在config.SYMBOL中修改显示的符号

spacing(int)：序列显示间隔
line_width(int)：每行显示的字符数
show_sequence(bool)：是否显示序列

d1 = DNA("ATCATCTCAGCATGAC")
d2 = DNA("ATCATCGCATGAC")

seq1, seq2 = d1.align(d2)
printAlign(d1, d2)
#    1 ATCATCTCAG CAT
#      ┃┃┃┃┃┃•┃┃• •┃•
#    1 ATCATCGCAT GAC
printAlign(d1, d2, spacing=3, line_width=10, show_seq=False)
#    1 ┃┃┃ ┃┃┃ •┃┃ •
# 
#   11 •┃• 

read_fasta(filename)

读取fasta文件，并返回所有读取到的（序列列表，序列名列表）Todo：加入更多解析格式