Python 验证蛋白质序列

在某些情况下，我有与蛋白质不对应的字符序列

>ISAnsp8_orf1
MRKSRFTEEQIAHALRQVDAGVPAAELCRKLGISEQTFYAWKKKYAGMGIAEMRRVKQLEDENRRLKTLVADLTLDKHMLQEVLRKKF
>IS3_orf1
UGAAGAGCUGGCUAUCCUCCAAAAGGCCGCGACAUACUUCGCGAAGCGCC
>IS3_orf2
..............................(((((((((((......[[[
>IS3_orf3
UGAAAUGAAGUAUGUCUUUAUUGAAAAACAUCAGGCUGAGUUCAGCAUCA
>IS3_orf4
[[[..)))))))))))..............]]]]]]
>IS3_orf5
AAGCAAUGUGCCGCGUGCUCCGGGUGGCCCGCA
>IS3_orf7
MTKTVSTSKKPRKQHSPEFRSEALKLAERIGVTAAARELSLYESQLYNWRSKQQNQQTSSERELEMSTEIARLKRQLAERDEELAILQKAATYFAKRLK

因为我想在保存到另一个文件之前验证序列，所以我写这篇文章是为了测试验证方法。这是罕见的，因为我习惯了不同的序列，其中包括非蛋白质字符'（'但它仍然给我的答案是正确的

测试“排序”的所有三种可能性答案相同（错误）

---

当您启动

Seq

或类似对象时，Biopython目前不提供字母表验证（主要原因是性能成本高）。围绕这一点有很多讨论，未来情况可能会改变；事实上，第一个Biopython增强建议（BEP）是关于字母在Biopython中的使用

无论如何，为了解决您目前的问题，Biopython中有一个

\u verify\u alphabet

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（在具有Bio版本1.73dev的Python 3.6中）：

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))

TGEKPYVCQECGKAFNCSSYLSKHQR True
((((((((((( False