Organização de Arquivos
Primeiro, vamos definir a organização dos nossos arquivos e o conteúdo em cada um.
𝈪 fasta/
𝈪 all.fasta
𝈪 id1.txt
𝈪 id2.txt
𝈪 fasta.py
all.fasta é o arquivo principal, que contém a informação por completo de todos os genes.
>gene1 C.irapeanum 5.8S rRNA gene
CGTAACAAGGTTTCCGTAGGTGAACCTGCGGAAGGATCATTGATGAGACCGTGGAATAAACGATCGAGTG
>gene2 C.irapeanum 5.8S rRNA gene
AATTTCAAGGTTTCCGTAGGTGAACCTGCGGAAGGATCATTGATGAGACCGTGGAATAAACGATCGAGTG
AATCCGGAGGACCGGTGTACTCAGCTCACCGGGGGCATTGCTCCCGTGGTGACCCTGATTTGTTGTTGGG
>gene3 C.irapeanum 5.8S rRNA gene
CGTAACAAGGTTTCCGTAGGTGAACCTGCGGAAGGATCATTGATGAGACCGTGGAATAAACGATCGAGTG
>gene4
TTTTTTTTCCCTTTGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGG
id1.txt contém uma lista de identificadores de genes.
gene1
gene2
id2.txt também possui uma lista de genes.
gene4
fasta.py é o arquivo Python que criaremos para executar o processo.
Obtendo os dados
A primeira coisa a fazer no arquivo Python é ler o conteúdo de fasta/all.fasta
e interpretar, obtendo os dados para cada gene separadamente.
# -*- coding: utf-8 -*-
with open("fasta/all.fasta", 'r') as f:
genes = {}
fasta_content = f.read()
genes_list = [_ for _ in fasta_content.split('>') if _]
for gene in genes_list:
gene_id = (gene.split('\n')[0]).split(' ')[0]
genes[gene_id] = gene
Iniciamos abrindo o arquivo all.fasta
como leitura, com a função open
. Lemos todo seu conteúdo, com a função read
e o armazenamos na variável fasta_content
. Após, dividimos o conteúdo com base no caractere >
para obter os dados referentes a cada gene separadamente. Posteriormente, iteramos sobre esta lista com a instrução for
, onde primeiramente pegamos o identificador do gene, separando a primeira palavra da primeira linha (gene1, gene2, gene3, etc) e com isso populamos uma variável genes
.
Até esta parte do código, teremos a variável genes
, do tipo dicionário, no seguinte formato:
{
"gene1": "gene1 C.irapeanum 5.8S rRNA gene\nCGTAACAAGGTTTCCGTAGGTGAACCTGCGGAAGGATCATTGATGAGACCGTGGAATAAACGATCGAGTG\n",
"gene2": "gene2 C.irapeanum 5.8S rRNA gene\nAATTTCAAGGTTTCCGTAGGTGAACCTGCGGAAGGATCATTGATGAGACCGTGGAATAAACGATCGAGTG\nAATCCGGAGGACCGGTGTACTCAGCTCACCGGGGGCATTGCTCCCGTGGTGACCCTGATTTGTTGTTGGG\n",
"gene3": "gene3 C.irapeanum 5.8S rRNA gene\nCGTAACAAGGTTTCCGTAGGTGAACCTGCGGAAGGATCATTGATGAGACCGTGGAATAAACGATCGAGTG\n",
"gene4": "gene4\nTTTTTTTTCCCTTTGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGG"
}
Obtendo as listas de genes
Agora iremos iterar sobre os arquivos textos nomeados com o padrão idX.txt
dentro da pasta fasta
a fim de obter a lista de genes para cada um e, posteriormente, criar o respectivo arquivo idX.fasta
. Para isso, utilizamos a função glob
. Primeiro, importamos a biblioteca no início do arquivo.
import glob
Com isso, obtemos a lista de arquivos:
for id_file in glob.glob("fasta/id*.txt"):
print(id_file)
A saída deste trecho deve ser algo do tipo:
fasta/id1.txt
fasta/id2.txt
Gerando os arquivos fasta
Ao invés de imprimir o nome do arquivo, vamos abrí-lo para leitura.
for id_file in glob.glob("fasta/id*.txt"):
with open(id_file, 'r') as idf:
id_list = idf.readlines()
print(id_list)
Neste momento, a saída deverá ser algo do gênero:
["gene1", "gene2"]
["gene4"]
Sendo as listas de genes definidas em cada arquivo. A partir dela, podemos criar o arquivo idX.fasta
e escrever o conteúdo referente a cada gene da lista, como subsequente.
for id_file in glob.glob("fasta/id*.txt"):
with open(id_file, 'r') as idf:
id_list = idf.readlines()
idX_name = "{}.fasta".format(id_file.split('.')[0])
with open(idX_name, "w+") as idX_file:
for id in id_list:
idX_file.write(genes[id])
Ou seja, para cada arquivo do tipo fasta/id*.txt
, abra como leitura, leia todas as linhas e armazene em id_list
, retome o nome do arquivo com a extensão fasta (aqui a variável idX_name
terá um valor fasta/id*.fasta
). Após, abra o arquivo fasta em modo escrita e para cada id em id_list
, escreva o respectivo conteúdo do gene identificado por id
.
Desta forma, você já deve ter gerado todos os respectivos arquivos com o conteúdo correto.
Arquivo fasta.py completo
# -*- coding: utf-8 -*-
import glob
with open("fasta/all.fasta", 'r') as f:
genes = {}
fasta_content = f.read()
genes_list = [_ for _ in fasta_content.split('>') if _]
for gene in genes_list:
gene_id = (gene.split('\n')[0]).split(' ')[0]
genes[gene_id] = gene
for id_file in glob.glob("fasta/id*.txt"):
with open(id_file, 'r') as idf:
id_list = idf.readlines()
idX_name = "{}.fasta".format(id_file.split('.')[0])
with open(idX_name, "w+") as idX_file:
for id in id_list:
idX_file.write('>' + genes[id[:-1]])
Resultado
Executando o código, são criados dois arquivos: fasta/id1.fasta
e fasta/id2.fasta
.
fasta/id1.fasta
>gene1 C.irapeanum 5.8S rRNA gene
CGTAACAAGGTTTCCGTAGGTGAACCTGCGGAAGGATCATTGATGAGACCGTGGAATAAACGATCGAGTG
>gene2 C.irapeanum 5.8S rRNA gene
AATTTCAAGGTTTCCGTAGGTGAACCTGCGGAAGGATCATTGATGAGACCGTGGAATAAACGATCGAGTG
AATCCGGAGGACCGGTGTACTCAGCTCACCGGGGGCATTGCTCCCGTGGTGACCCTGATTTGTTGTTGGG
fasta/id2.fasta
>gene4
TTTTTTTTCCCTTTGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGG
Que acredito que era o desejado.