使用biopython'；s SeqIO

我试图解析一个蛋白质

genbank

文件格式，下面是一个示例文件（

example.protein.gpff

）

该格式具有重复的

记录

s（由

/

分隔），其中每个

记录

都是一种蛋白质。每个

记录

都有几个部分，其中有一个

功能

部分，带有几个固定字段，例如

源

、

CD

、和

区域

，其值表示特定于该

记录的信息

我感兴趣的是使用
biopython
的
SeqIO
将此文件解析为一个
数据框
，其中列出了每个记录ID的
基因
、
db\u外部参照
，以及
coded\u by
字段的值，
生物体
和
db\u外部参照
值来自其
源
字段，以及
db\u外部参照
值来自其
区域
字段。除了在
记录
的
功能
部分可能多次出现的
区域
字段外，
CD
和
源
字段在
记录
的
功能
部分仅出现一次

到目前为止，我的失败尝试如下所示：

from Bio import SeqIO
filename = "example.protein.gpff"
for record in SeqIO.parse(filename, "genbank"):
  for feature in record.features:
    if feature.type == "CDS":
      symbol = feature.qualifiers.get("gene", ["???"])[0]
      gene_id = feature.qualifiers.get("db_xref", ["???"])[0]
      gene_id = re.sub('GeneID:', '', gene_id)
      transcript_id = feature.qualifiers.get("coded_by", ["???"])[0]
      transcript_id = re.sub(':.*', '', transcript_id)
      if feature.type == "source":
        species_name = feature.qualifiers.get("organism", ["???"])[0]
        species_id = feature.qualifiers.get("db_xref", ["???"])[0]
        species_id = re.sub('taxon:', '', species_id)
      if feature.type == "Region":
        cdd_id = feature.qualifiers.get("db_xref", ["???"])[0]
        cdd_id = re.sub('CDD:', '', cdd_id)
      print("%s,%s,%s,%s,%s,%s,%s" % (record.id, cdd_id, transcript_id, symbol, gene_id, species_name, species_id))

我想要获得的结果
dataframe
（对于上面的
示例.protein.gpff
）是：

似乎处理此文件格式的最简单方法是将其转换为
JSON
格式（例如，使用），然后使用各种
JSON
解析器读取它（如
R
中的包，它将
JSON
文件解析为
记录的
列表
）
，你能把gpff转换成xml吗？如果是这样，您可以使用DOM方法进行解析。
from Bio import SeqIO
filename = "example.protein.gpff"
for record in SeqIO.parse(filename, "genbank"):
  for feature in record.features:
    if feature.type == "CDS":
      symbol = feature.qualifiers.get("gene", ["???"])[0]
      gene_id = feature.qualifiers.get("db_xref", ["???"])[0]
      gene_id = re.sub('GeneID:', '', gene_id)
      transcript_id = feature.qualifiers.get("coded_by", ["???"])[0]
      transcript_id = re.sub(':.*', '', transcript_id)
      if feature.type == "source":
        species_name = feature.qualifiers.get("organism", ["???"])[0]
        species_id = feature.qualifiers.get("db_xref", ["???"])[0]
        species_id = re.sub('taxon:', '', species_id)
      if feature.type == "Region":
        cdd_id = feature.qualifiers.get("db_xref", ["???"])[0]
        cdd_id = re.sub('CDD:', '', cdd_id)
      print("%s,%s,%s,%s,%s,%s,%s" % (record.id, cdd_id, transcript_id, symbol, gene_id, species_name, species_id))

    record_id  CDS_coded_by   CDS_db_xref CDS_gene              source_organism source_db_xref Region_db_xref
1 NP_001346895  NM_001359966.1:1..627 GeneID:105590766  ICAM2      Cercocebus atys taxon:9531 CDD:252248
2 NP_001346895  NM_001359966.1:1..627 GeneID:105590766  ICAM2      Cercocebus atys taxon:9531 CDD:325142
3 NP_001280013 NM_001293084.1:1..1221 GeneID:101445299  PSMC5 Dasypus novemcinctus taxon:9361 CDD:224143