Python 尝试将fasta分成更小的部分（完全是初学者）

我是一个没有计算机技能的生物学家，但我需要一个简单的脚本将大量的DNA序列分割成更小的。fasta用于BLAST搜索。我已经浏览这个网站好几天了，但都没有找到答案。我几乎是从biopython的食谱中复制了我的代码。为什么这不起作用

def batch_iterator(iterator, batch_size):
    entry = True  # Make sure we loop once
    while entry:
        batch = []
        while len(batch) < batch_size:
            try:
                entry = iterator.__next__
            except StopIteration:
                entry = None
            if entry is None:
                # End of file
                break
            batch.append(entry)
        if batch:
            yield batch

from Bio import SeqIO

record_iter = SeqIO.parse(open("/Users/nermin/mainfolder/MTB_NITR203.fasta"),"fasta")
for i, batch in enumerate(batch_iterator(record_iter, 1000)):
    filename = "group_%i.fasta" % (i + 1)
    with open(filename, "w") as handle:
        count = SeqIO.write(batch, handle, "fasta")
    print("Wrote %i records to %s" % (count, filename))

def批迭代器（迭代器，批大小）：
entry=True#确保循环一次
进入时：
批次=[]
而透镜（批次）<批次尺寸：
尝试：
entry=迭代器。\下一步__
除停止迭代外：
条目=无
如果输入为无：
#文件结束
打破
批处理追加（条目）
如果是批次：
产量批次
来自Bio import SeqIO
记录=SeqIO.parse（打开（“/Users/nermin/mainfolder/MTB\u NITR203.fasta”），“fasta”）
对于i，枚举中的批（批迭代器（记录iter，1000））：
filename=“group_u%i.fasta”%（i+1）
以open（filename，“w”）作为句柄：
计数=顺序写入（批处理、句柄、“fasta”）
打印（“已将%i条记录写入%s%”（计数，文件名））

错误消息是由代码前面的操作引起的，特别是：

entry = iterator.__next__

应该是：

entry = iterator.__next__()

或者在Python 3中：

entry = next(iterator)

我对您的代码进行的返工：

from Bio import SeqIO

def batch_iterator(iterator, batch_size):
    entry = True  # Make sure we loop once

    while entry:
        batch = []

        while len(batch) < batch_size:
            try:
                entry = next(iterator)
            except StopIteration:
                entry = False

            if not entry:
                # End of file
                break

            batch.append(entry)

        if batch:
            yield batch

record_iter = SeqIO.parse('/Users/nermin/mainfolder/MTB_NITR203.fasta', 'fasta')

for i, batch in enumerate(batch_iterator(record_iter, 1000), start=1):
    filename = 'group_{}.fasta'.format(i)
    count = SeqIO.write(batch, filename, 'fasta')
    print('Wrote {} records to {}'.format(count, filename))

但您的代码处理的实际上是：

>ZB3243.4 Platypus mRNA for dDFD-w, complete cds.
TTTTAATTTTGCTTTCAATATGACGGCTGTCAATGTTGCCCTGATTCGTGATACCAAGTG
GCTGACTTTAGAAGTCTGTAGAGAATTTCAGAGAGGAACTTGCTCTCGAGCTGATGCAGA
TTGCAAGTTTGCCCATCCACCAAGAGTTTGCCATGTGGAAAATGGTCGTGTGGTGGCCTG
>VF42354.1 Rhino Ig active H-chain V-region, subgroup VH-II
TTCATGCAAATATGCTCTCTTTCTTTAGAATATTTCTGTAGGTTTCTTGGGACTGACATT
TAAAACGCCTCACTTTTGAATGTGCACAAAACCTGCTCATTAACATGCATGTGTATAATT
TGTACCTGCAGATCTGATGTTGCATAATACAATCAAATTACTAGATTTTTTAAAGAGAGA
>GS45345.54 Aardvark binding protein.
AACAACACCTGCCACCAGCGTTCCGTTCGCTGCACCAACTACAGGCAATCAGCTGAAATT
CTGAACAGCAGAGTTATGGAGTATCAGAATCTTTCCATGGAAACCTCCATATGGCCTTTC
TATATATATTCTCGTATGTCTTATTCTACCAACACAACAATAAGCGTGTTGCAGTCAATG
... extremely large number of sequences
>GR343245.2 Eggplant subgroup VH-II, mRNA.
TTGCCGCTATGCTCACCCTACTGATGCTTCCATGATTGAAGCGAGTGATAATACTGTGAC
AATCTGCATGGATTACATCAAAGGTCGATGCTCGCGGGAGAAATGCAAGTACTTTCATCC
TCCTGCACACTTGCAAGCCAGACTCAAGGCAGCTCATCATCAGATGAACCATTCAGCTGC
>FG345252.3 Bedbug binding protein 4
TTTTGATTCTCTAAAGGGTCGGTGTACCCGAGAGAACTGCAAGTACCTTCACCCTCCTCC
ACACTTAAAAACGCAGCTGGAGATTAATGGGCGGAACAATCTGATTCAACAGAAGACTGC
CGCAGCCATGTTCGCCCAGCAGATGCAGCTTATGCTCCAAAACGCTCAAATGTCATCACT
>MD2435324.5 Mantis subgroup VH-II, mRNA.
TAAAAATATGCTAATTACAAGTTATAAATCAAACGGAGAGATGGGGGCATGGAGATAGTT
TTTACGTACTGGAGGAAAGTGTGTAAAACCATGGCAATGTCACCTTTTACACAAATGCCA
TTTTCCAAATGCAAATGGCTCATGCTCTTTAGACTACTCTTTGAATAACAAGTAAGATGC

你是在处理大量的序列还是一个大规模的序列

fasta的输入仅仅是一个巨大的序列，大约有400万个 碱基对（与您的第一个示例完全相同），但由于其大小，我们 不能做爆炸式搜索。我们唯一需要的就是把它分成 较小的fasta文件，最好每个文件小于1MB

我们现在已经确定，您的代码并不是为满足您的需要而设计的。因此，让我们通过运行单个序列的数据，将其分解为单独的FASTA文件来解决您的问题：

from Bio import SeqIO
from Bio.SeqRecord import SeqRecord

FILENAME = '/Users/nermin/mainfolder/MTB_NITR203.fasta'

BPS_PER_FILE = 500000  # base pairs per FASTA file

# There should be one and only one record, the entire genome:
large_record = SeqIO.read(FILENAME, 'fasta')

large_sequence = large_record.seq
large_description = large_record.description

limit = len(large_sequence)

for i, start in enumerate(range(0, limit, BPS_PER_FILE), start=1):
    stop = min(start + BPS_PER_FILE, limit)
    small_sequence = large_sequence[start:stop]
    small_description = large_description + "; base pairs {} to {}".format(start, stop)

    small_record = SeqRecord(small_sequence, id=large_record.id, description=small_description)

    filename = 'group_{}.fasta'.format(i)
    count = SeqIO.write(small_record, filename, "fasta")
    assert (count == 1), "Incorrect record count!"
    print('Wrote {} base pairs to {}'.format(stop - start, filename))

---

每个输出文件都是一个单独的序列，与原始文件类似，但较小，具有修改的描述，现在包括每个特定文件中的碱基对范围。

我认为您需要修复格式。还请让我们知道当您运行这个时会发生什么，您是否得到任何错误，任何结果？我得到关于“方法包装器”对象没有属性的错误id@nermze将完整的堆栈跟踪编辑到您的问题中，以便我们可以看到它。您好，非常感谢您的帮助。输入fasta只是一个大约有400万个碱基对的大序列（与第一个示例完全相同），但由于其大小，我们无法进行blast搜索。我们唯一需要的是将它划分为更小的fasta文件，最好每个文件小于1MB。我使用了错误的设置吗？运行代码后，我得到一个输出：“将1条记录写入组1.fasta”不确定下一步该怎么办。@nermze，这是正确的，

SeqIO.parse（）

处理每个文件的多个序列，您只有一个序列，所以它将其作为

group_1.fasta

写出，并完成。我们想要的是

SeqIO.read（）

处理文件中的一个序列，并将其序列数据分解为单独的FASTA文件。请看我的补充答案和附加代码。谢谢！这非常有效，现在只剩下最后一个问题了，在我得到信息“给第一组写了50000个碱基对。fasta…等等”之后，我该怎么办？这些文件不是我的电脑，我还需要做什么吗？比如说，我需要写更多的代码来保存它们吗？@nermze，你把我弄丢了——当我运行代码时，文件会在我的计算机上的工作目录中结束（即

pwd

）。你能把

SeqIO.write（）

这行删掉吗？似乎不太可能。因为我们没有在代码中更改目录，也没有在输出文件名中添加路径，所以文件应该位于您的工作目录中。你有工作目录的写权限吗？我使用的是Python 3.6.0和BioPython版本1.69

from Bio import SeqIO
from Bio.SeqRecord import SeqRecord

FILENAME = '/Users/nermin/mainfolder/MTB_NITR203.fasta'

BPS_PER_FILE = 500000  # base pairs per FASTA file

# There should be one and only one record, the entire genome:
large_record = SeqIO.read(FILENAME, 'fasta')

large_sequence = large_record.seq
large_description = large_record.description

limit = len(large_sequence)

for i, start in enumerate(range(0, limit, BPS_PER_FILE), start=1):
    stop = min(start + BPS_PER_FILE, limit)
    small_sequence = large_sequence[start:stop]
    small_description = large_description + "; base pairs {} to {}".format(start, stop)

    small_record = SeqRecord(small_sequence, id=large_record.id, description=small_description)

    filename = 'group_{}.fasta'.format(i)
    count = SeqIO.write(small_record, filename, "fasta")
    assert (count == 1), "Incorrect record count!"
    print('Wrote {} base pairs to {}'.format(stop - start, filename))