ろ過

Question

は、私はこのような、あまりにも多くの行があります。

>ENSG00000100206|ENST00000216024|DMC1|2371|38568257;38570043|38568289;38570286 
CTCAGACGTCGGGCCGACGCAAGGCCACGCGCGCGAACACACAGGTGCGGCCCCGGGCCA 
CACGCACACCGTACAC 
>ENSG00000001630|ENST00000003100|CYP51A1|3210|92134365|92134530 
TATATCACAGTTTCTTTCTTTTTTTTTTTTTTTTTTTTGAGACAGAGTTTTGCTCTTGTT 
GCCCAGGCTGGAGTACAGTGACGCAATCTCGGCTCACTGCAACCTTTGCCTCCCAGGTTC 
>ENSG00000100206|ENST00000216024|DMC1|2371|38568257;38570043|38568289;38570286 
TTAACTATAATCCCACTGCCTATTTTTTTATTTCTAAAAATATCATAAAAAGACACAAAA 

を（>で始まる）最初の行は識別子であり、他のラインはシーケンスであり、また、各識別子は独自の配列を有しています。上記の例では、ENSG00000100206は名前であり、ENST00000216024はisoformです。私のファイルには同じ名前の識別子行がいくつかありますが、それ以外はすべて異なります。 それぞれの名前の最長シーケンスを取得して新しいファイルを作成したいと思います。つまり、各名前の繰り返しは1つだけです（ただし、シーケンスが最も長くなります）。 上記の例のための結果は次のようになります：

>ENSG00000100206|ENST00000216024|DMC1|2371|38568257;38570043|38568289;38570286 
CTCAGACGTCGGGCCGACGCAAGGCCACGCGCGCGAACACACAGGTGCGGCCCCGGGCCA 
CACGCACACCGTACAC 
>ENSG00000001630|ENST00000003100|CYP51A1|3210|92134365|92134530 
TATATCACAGTTTCTTTCTTTTTTTTTTTTTTTTTTTTGAGACAGAGTTTTGCTCTTGTT 
GCCCAGGCTGGAGTACAGTGACGCAATCTCGGCTCACTGCAACCTTTGCCTCCCAGGTTC 

は、あなたたちはPythonでそれを行う方法を知っていますか？

Answer 1

あなたは正しいFASTA形式パーサーを取得するためにBiopythonを使用して起動することができます：http://biopython.org/wiki/SeqIO

はその後、レコードを反復し、あなたも一緒にやりたいです。これにより、パーサを書く時間が節約されるだけでなく、完全に間違ってしまうこともありません。

まさにそのページからの例：代わりに、印刷の

from Bio import SeqIO 
for record in SeqIO.parse("example.fasta", "fasta"): 
    print(record.id) 

、長さが長い場合にのみ、あなたが更新のdict {record.id: record.length}を作成します。