BioSequences 1.1.4

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="", info="")

• 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(Expected str or DNA add with DNA, not Peptide)
  d1 == d2  # False
  

属性

seq

序列信息，不可修改

info

序列的一些说明信息(可选)

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)

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

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])：需要修改的单个字符或者是需要修改的字符串起始位置。
target(str| Sequence)：目标序列

toDNA(), toRNA(), toPeptide()

将Sequence序列转换为对应的生物序列

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(topn=1, replace=False)

获取序列上的ORF

topn(int)：查找序列中的所有orf，并返回最长的topn个读码框
replace(bool)： 当multi=False时生效，是否将最长的orf替换为原序列

transcript(topn=1)

将序列翻译为肽链

topn(bool)：根据读码框返回长度最长的topn个翻译产物。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(topn=1)

将序列翻译为肽链

topn(bool)：根据读码框返回长度最长的topn个翻译产物。翻译产物均为Peptide对象。

bioseq.Peptide

用于存储肽链序列信息。

属性

pI

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: float)

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

pH(float): 溶液的pH值

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

setStartCoden(coden = None)

修改核酸序列转录时需要的起始密码子，为传入coden则将密码子初始化为*"AUG"*

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(filtered=False)) # []
setStartCoden(["AUC"])
print(d1.transcript(filtered=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 •┃• 

parseFasta(fasta_text: str)

pasre a string in fasta format

loadFasta(filename, iterator=False)

读取fasta文件，并返回所有读取到的(序列列表，序列名列表)

filename(str): 文件名
itertor(bool): 用于读取大文件，设置为True返回迭代器

fetchNCBI(uid)

uid(str|List[str]): NCBI中序列的唯一编号，如 NC_XXXX、NM_XXXX等，仅限于DNA(mRNA)、RNA和多肽序列，返回对应的序列对象。支持批量获取，返回Sequence列表，顺序与传入的参数顺序不一致，且不包含NCBI中未获取到的数据。可以根据Sequence.info自行排序。

NCBI RefSeq's document: https://www.ncbi.nlm.nih.gov/books/NBK21091/table/ch18.T.refseq_accession_numbers_and_mole some NCBI E-utilities's api: https://www.ncbi.nlm.nih.gov/books/NBK25499/table/chapter4.T._valid_values_of__retmode_and/

fetchENS(uid)

uid(str|List[str]): ENS编号。支持批量获取，返回Sequence列表，顺序与传入的参数顺序一致。

Ensemble REST Api: https://rest.ensembl.org/documentation/info/sequence_id

Change Log

Version: 1.1.4

• add: bioseq.utils.fetchENS()
• add: bioseq.utils.parseFasta()
• add: Add iterator option to bioseq.utils.loadFasta()
• add: multi-uids fetch support for bioseq.utils.fetchNCBI()

Version: 1.1.3

• fix: Wrong results from bioseq.utils.loadFasta()

Version: 1.1.2

• change: RNA.getOrf(), RNA.transcript()
• add: algoritm.pyi

Version: 1.1.1

• add: unittest
• fix: some bug found in unintest

Version: 1.1.0

• add: infoattribute for Sequence
• add: toDNA(), toRNA(), toPeptide() method for Sequence
• add: utils.fetchNCBI() change: utils.read_fasta() to utils.loadFasta and be a generator of Sequence

Version: 1.0.9

• add: add type annotations, remove *.pyi file
• add: Sequence.reset_cache() to reset some cached property, to update the value after mutation, include weight, composition, GC(DNA, RNA), orf(DNA, RNA), peptide(DNA, RNA), translate(DNA, RNA), pI(Peptide), Hphob_list(Peptide).
• add: warning when mutation overlaped previous mutaion
• fix: some wrong typing check in Sequence.find(), Sequence.mutation()
• remove: return_score: bool for Sequence.align()