python - 用python/biopython计数DNA序列

下面的脚本正在计算标准FASTA文件中出现的序列“CCCCAAAA”和“GGGGTTTT”：

>contig00001
CCCCAAAACCCCAAAACCCCAAAACCCCTAcGAaTCCCcTCATAATTGAAAGACTTAAACTTTAAAACCCTAGAAT

脚本在这里对CCCCAAAA序列计数3次
ccccaaaaacccaaacccaaaa（不计算CCCC）
有人能告诉我如何将CCCC序列作为半计数包含在末尾，从而返回3.5的值吗。
到目前为止，我的尝试一直没有成功。
我的剧本如下。。。

from Bio import SeqIO

input_file = open('telomer.test.fasta', 'r')
output_file = open('telomer.test1.out.tsv','w')
output_file.write('Contig\tCCCCAAAA\tGGGGTTTT\n')

for cur_record in SeqIO.parse(input_file, "fasta") :


    contig = cur_record.name
    CCCCAAAA_count = cur_record.seq.count('CCCCAAAA')
    CCCC_count = cur_record.seq.count('CCCC')

    GGGGTTTT_count = cur_record.seq.count('GGGGTTTT')
    GGGG_count = cur_record.seq.count('GGGG')
    #length = len(cur_record.seq)

    splittedContig1=contig.split(CCCCAAAA_count)

    splittedContig2=contig.split(GGGGTTTT_count)

    cnt1=len(splittedContig1)-1
    cnt2=len(splittedContig2)

  cnt1+sum([0.5 for e in splittedContig1 if e.startswith(CCCC_count)])) = CCCCAAAA_count
  cnt2+sum([0.5 for e in splittedContig2 if e.startswith(GGGG_count)])) = GGGGTTTT_count

    output_line = '%s\t%i\t%i\n' % \
    (CONTIG, CCCCAAAA_count, GGGGTTTT_count)


    output_file.write(output_line)

output_file.close()

input_file.close()

最佳答案

您可以使用split和startwith列表理解，如下所示：

contig="CCCCAAAACCCCAAAACCCCAAAACCCCTAcGAaTCCCcTCATAATTGAAAGACTTAAACTTTAAAACCCTAGAAT"
splitbase="CCCCAAAA"
halfBase="CCCC"
splittedContig=contig.split(splitbase)
cnt=len(splittedContig)-1
print cnt+sum([0.5 for e in splittedContig if e.startswith(halfBase)])

输出：

3.5

根据CCCCAAAA拆分字符串。它将给出列表，在列表中元素CCCCAAAA将被删除
拆分长度-1给出CCCCAAAA的出现次数
在拆分的元素中，查找以CCCC开头的元素。如果找到，则为每次发生添加0.5计数。