验证蛋白质序列

Question

在某些情况下，我有与蛋白质不对应的字符的序列。>ISAnsp8_orf1MRKSRFTEEQIAHALRQVDAGVPAAELCRKLGISEQTFYAWKKKYAGMGIAEMRRVKQLEDENRRLKTLVADLTLDKHMLQEVLRKKF>IS3_orf1UGAAGAGCUGGCUAUCCUCCAAAAGGCCGCGACAUACUUCGCGAAGCGCC>IS3_orf2..............................(((((((((((......[[[>IS3_orf3UGAAAUGAAGUAUGUCUUUAUUGAAAAACAUCAGGCUGAGUUCAGCAUCA>IS3_orf4[[[..)))))))))))..............]]]]]]>IS3_orf5AAGCAAUGUGCCGCGUGCUCCGGGUGGCCCGCA>IS3_orf7MTKTVSTSKKPRKQHSPEFRSEALKLAERIGVTAAARELSLYESQLYNWRSKQQNQQTSSERELEMSTEIARLKRQLAERDEELAILQKAATYFAKRLK因为我想先验证序列，然后再保存到另一个文件中，所以编写此代码来测试验证方法。这很少见，因为我习惯了不同的序列，其中包括非蛋白质字符 '(' 但它仍然给我答案为 True。测试所有三种可能性以“排序”答案是相同的（错误）import sysfrom Bio.Seq import Seqfrom Bio.Alphabet import IUPAC, ProteinAlphabetsequence = sys.argv[1]#sequence = '((((((((((('#sequence = 'TGEKPYVCQECGKAFNCSSYLSKHQR'my_prot = Seq(sequence, alphabet=IUPAC.IUPACProtein)print isinstance(my_prot.alphabet, ProteinAlphabet)     if isinstance(my_prot.alphabet, ProteinAlphabet) == True:  print 'ok' , isinstance(my_prot.alphabet, ProteinAlphabet)else:  print 'no'

Answer 1

当您启动一个Seq或类似的对象时，Biopython 目前不提供字母验证（主要原因是性能成本高）。围绕此问题进行了很多讨论，未来情况可能会发生变化。实际上，第一个Biopython增强建议（BEP）是关于在Biopython中使用字母的。

无论如何，为了暂时解决您的问题_verify_alphabet，Biopython 中隐藏了一个函数，尽管它是“私有的”，但我认为没有理由不使用它：

from Bio.Seq import Seq

from Bio.Alphabet import IUPAC, _verify_alphabet

sequences = ['TGEKPYVCQECGKAFNCSSYLSKHQR', '(((((((((((']

for sequence in sequences:

    my_prot = Seq(sequence, IUPAC.protein)

    print(my_prot, _verify_alphabet(my_prot))

输出（在 Python 3.6 中，Bio 版本为 1.73dev）：

TGEKPYVCQECGKAFNCSSYLSKHQR True

((((((((((( False