生物信息之FASTA格式处理

1. 什么是 FASTA 格式？

在生物信息学中，FASTA 是一种用于存储核酸序列或氨基酸序列的文本格式。它简单、通用，主要由两部分组成：

• 标题行 (Header Line)：以大于号 > 开头，包含序列的 ID 和描述信息。

  

• 序列行 (Sequence Lines)：紧跟标题行之后的字符序列。需要注意的是，一条序列可能会分布在多个文本行中，这是初学者处理此类文件时最容易掉进去的“坑”。

#用.strip()来去除后面的换行符（\n）
content = line.strip()

---

2. Python 原生处理逻辑

处理 FASTA 文件最核心的任务是：将多行序列合并，并与 ID 形成映射关系。我们通常使用 Python 的字典（Dictionary）来存储。

核心代码实现

以下代码展示了如何读取 dna.txt 并将其转换为字典格式：

with open('dna.txt', 'r', encoding='utf-8') as f:
    f_dict = {}
    seq_name = None
    for line in f:
        content = line.strip()  # 去除换行符和首尾空格
        if content.startswith('>'):
            # 遇到新序列的标题行，截取 ID 并初始化字典值
            seq_name = content[1:]
            f_dict[seq_name] = ''
        else:
            # 关键：如果不是标题行，则将序列追加到当前 ID 的值中
            # 这样可以自动合并多行显示的序列
            f_dict[seq_name] += content

---

3. Rosalind 经典题目：计算最高 GC 含量

题目背景：在 DNA 序列中，G 和 C 碱基所占的比例（GC-content）对于分析热稳定性及基因组结构至关重要。

任务：给定若干条 FASTA 格式的序列，找出其中 GC 含量最高的一条，并输出其 ID 和百分比。

算法思路

1. 解析文件：利用上述字典逻辑提取所有序列。
2. 统计频率：利用 count() 方法计算 G 和 C 的总和。
3. 比较排序：将结果存入列表并进行降序排列，取首位。

完整解析代码

compare = []

# 遍历解析好的字典
for name, seq in f_dict.items():
    # 统计 G 和 C 的数量
    gc_count = seq.count('G') + seq.count('C')
    # 计算百分比
    gc_content = (gc_count / len(seq)) * 100
    
    # 将 (含量, ID) 作为元组存入列表，方便后续排序
    compare.append((gc_content, name))
    print(f"DEBUG: {name} 的GC含量为: {gc_content:.6f}%")

# 按 GC 含量从高到低排序
compare.sort(reverse=True)

# 获取结果
max_gc_content, max_name = compare[0]

print("-" * 20)
print(f"最高 GC 含量序列 ID: {max_name}")
print(f"GC 含量: {max_gc_content:.6f}")

---

4. 什么是 FASTQ 格式？

在实际的测序下机数据中，我们更多看到的是 FASTQ 格式。它比 FASTA 多了两项内容：

1. + 标识符。
2. 质量值 (Quality Score)：对应每个碱基测序的准确度。

FASTQ 逻辑结构（每 4 行为一个单位）：

• Line 1: @ 开头的 ID
• Line 2: 序列
• Line 3: +
• Line 4: 质量字符（如 IIIIHIIII...）

---

5.完整代码

with open('dna.txt', 'r', encoding='utf-8') as f:
    f_dict = {}
    seq_name = None
    for line in f:
        content = line.strip()
        if content.startswith('>'): 
            seq_name = content[1:]
            f_dict[seq_name] = ''
        else:
            f_dict[seq_name] += content

compare = []
print(f_dict)
for name, seq in f_dict.items():
    gc_count = seq.count('G') + seq.count('C')
    gc_content = gc_count / len(seq) * 100
    compare.append((gc_content, name))
    print(f"{name} 的GC含量为: {gc_content}%")

compare.sort(reverse=True)
max_gc_content, max_name = compare[0]
print(f" {max_name}\n{max_gc_content}")