Python 如何从fasta文件中删除重复项，但每个组基于头至少保留一个

我有一个multifasta文件，它看起来像这样：

（所有序列均>100bp，多行，长度相同）

我需要删除重复项，但至少保留每个谱系的序列。因此，在上面这个简单的示例中（注意samplenameA、C和D是相同的），我只想删除samplenameD或samplenameC，但不想同时删除它们。最后，我希望获得与原始文件中相同的头信息

示例输出：

>Lineage1_samplenameA
CGCTTCAACGGAATGGATCTACGTTACAGCCTGCATAAAGAAAACGGAGTTGCCGAGGACGAAAGCGACTTTAGGTTCTGTCCGTTGTCTTTGGCGGAAA
>Lineage2_samplenameB
AAATTCAACGGAATGGATCTACGTTACAGCCTGCATAAAGAAAACGGAGTTGCCGAGGACGAAAGCGACTTTAGGTTCTGTCCGTTGTCTTTGGCGGAAG
>Lineage3_samplenameC
CGCTTCAACGGAATGGATCTACGTTACAGCCTGCATAAAGAAAACGGAGTTGCCGAGGACGAAAGCGACTTTAGGTTCTGTCCGTTGTCTTTGGCGGAAA

我找到了一种只删除重复项的方法。感谢皮埃尔·林登鲍姆

sed -e '/^>/s/$/@/' -e 's/^>/#/'
file.fasta  |\
tr -d '\n' | tr "#" "\n" | tr "@"
"\t" |\
sort -u -t '  ' -f -k 2,2  |\
sed -e 's/^/>/' -e 's/\t/\n/'

在上面的示例中运行此操作将导致：

>Lineage1_samplenameA
CGCTTCAACGGAATGGATCTACGTTACAGCCTGCATAAAGAAAACGGAGTTGCCGAGGACGAAAGCGACTTTAGGTTCTGTCCGTTGTCTTTGGCGGAAA
>Lineage2_samplenameB
AAATTCAACGGAATGGATCTACGTTACAGCCTGCATAAAGAAAACGGAGTTGCCGAGGACGAAAGCGACTTTAGGTTCTGTCCGTTGTCTTTGGCGGAAG

->所以失去了血统3序列

现在，我正在寻找一种快速解决方案，以删除重复项，但基于fasta头，每个谱系至少保留一个序列

我不熟悉脚本编写。。。欢迎使用bash/python/R中的任何想法

---

谢谢

在这种情况下，我可以看到两个相对较好的选择。A） 查看现有的工具（如Biopython库或FASTX工具包）。我认为它们都有很好的命令来完成大部分工作，因此可能值得学习它们。或者，B）编写自己的工具。在这种情况下，您可能需要尝试（我将坚持使用python）：

逐行循环文件，并将沿袭/序列数据添加到字典中。我建议使用序列作为键。这样，您就可以很容易地知道是否已经遇到了此密钥

myfasta = {}
if myfasta[sequence]:
    myfasta[sequence].append(lineage_id)
else:
    myfasta[sequence] = [lineage_id]

这样，您的密钥（序列）将保存具有相同序列的沿袭ID列表。请注意，这个解决方案令人恼火的地方是在文件上循环，将沿袭id与序列分开，解释可能扩展到多行的序列，等等

---

之后，您可以在字典上循环，只使用字典列表中的第一个沿袭id将序列写入文件。

Hi，通常您编写的应该可以工作。您能更具体地说明您需要的解决方案吗？如果您提供的bash解决方案足够好，可以随意使用“回答您自己的问题”按钮。这将帮助将来的其他人找到解决方案：）对于将来的问题，如果可能的话，您可能希望避免使用特定的领域术语。这可能会使其他人更难提供帮助。祝你好运，欢迎你！：）@Ruslan谢谢，但我提供的解决方案删除了fasta文件中的所有重复序列。我不想那样。我想删除每个特定血统至少保留一个的重复项。删除重复序列时，可能会丢失整个谱系，因为它与其他谱系中的某些样本包含相同的序列。这样我就失去了很多有价值的信息。正如我在上面的问题/示例中所说，我不想同时删除C和D，因为我需要为血统3保留一个。我真的不知道还能怎么解释。。希望现在更清楚了。：）您是否可以编辑文章以提供示例所需的输出？我可以想出几种解决方案，但这实际上取决于您解决方案的性质：您的FASTA可以是多行吗？您是否需要保留任何血统信息，或者唯一的序列就足够了？等等，谢谢。我编辑了我的帖子。希望更清楚些嗨，Xela Vi，如果你发现我的答案有用，请考虑接受答案（点击旁边的“V”）。祝你好运！

myfasta = {}
if myfasta[sequence]:
    myfasta[sequence].append(lineage_id)
else:
    myfasta[sequence] = [lineage_id]