利用biopython将dna比对转化为numpy阵列

我有几个已经对齐的DNA序列，我想只保留在特定位置可变的碱基

如果我们首先将对齐方式转换为数组，这可能是可以做到的。我尝试在Biopython教程中使用该代码，但它给出了一个错误

import numpy as np
from Bio import AlignIO
alignment = AlignIO.parse("ma-all-mito.fa", "fasta")
align_array = np.array([list(rec) for rec in alignment], np.character)
print("Array shape %i by %i" % align_array.shape)

我得到的错误是：

Traceback (most recent call last):

File "C:/select-snps.py", line 8, in <module>
    print("Array shape %i by %i" % align_array.shape)
TypeError: not all arguments converted during string formatting

回溯（最近一次呼叫最后一次）：
文件“C:/select snps.py”，第8行，在
打印（“阵列形状%i乘%i”%align\u Array.shape）
TypeError:在字符串格式化过程中并非所有参数都已转换

AlignIO

似乎不是您想要用于此工作的工具。您可能有一个包含许多序列的文件，而不是多个序列比对，因此您可能希望使用

SeqIO

，而不是

AlignIO

（）。这就是为什么数组的形状是（1，99，16926），因为您有一个长度为16926的99个序列的对齐

如果您只需要一个序列数组（似乎是从提供给

np.array

的

np.character

dtype中执行的），请执行以下操作：

import numpy as np
from Bio import SeqIO
records = SeqIO.parse("ma-all-mito.fa", "fasta")
align_array = np.array([record.seq for record in records], np.character)
print("Array shape %i by %i" % align_array.shape)
# expect to be (99, 16926)

---

请注意，从技术上讲，

records

的每个元素也是一个BioPython

SeqRecord

，除了元数据之外，还包括序列

list（record）

是获取序列的快捷方式，另一种方式是

record.seq

。两者都可以，但我选择使用属性方式，因为它更明确。

我是在回答您的问题，而不是修复您的代码。如果只想保持某些位置，则需要使用

AlignIO

：

FASTA样本

al.fas

：

>seq1
CATCGATCAGCATCGACATGCGGCA-ACG
>seq2
CATCGATCAG---CGACATGCGGCATACG
>seq3
CATC-ATCAGCATCGACATGCGGCATACG
>seq4
CATCGATCAGCATCGACAAACGGCATACG

现在假设您只想保留某些位置。允许您像numpy数组一样查询路线：

from Bio import AlignIO


al = AlignIO.read("al.fas", "fasta")

# Print the 11th column
print(al[:, 10])

# Print the 12-15 columns
print(al[:, 11:14])

如果您想知道对齐的形状，请使用

len

和

get\u alignment\u length

：

>>> print(len(al), al.get_alignment_length())
4 29

---

使用

AlignIO.parse（）

加载对齐方式时，它假定要分析的文件可能包含多个对齐方式（PHYLIP会这样做）。因此，解析器在每个对齐上返回一个迭代器，而不是像代码所暗示的那样在记录上返回迭代器。但是您的FASTA文件每个文件只包含一个对齐方式，

parse（）

只生成一个

MultipleSeqAlignment

。因此，对代码的修复是：

alignment = AlignIO.read("ma-all-mito.fa", "fasta")
align_array = np.array(alignment, np.character)
print("Array shape %i by %i" % align_array.shape)

---

您是否尝试过简单地打印（align_array.shape）？它会输出（1、99、16926），因此可能会起作用