python buffer 定义 python blast

文章目录

• 下载
• 检查blast是否添加至环境路径
• 使用blast

• 合并fasta文件
• 检查重名
• blast建库
• blast检索目标序列

• 输出结果

• 提取序列

下载

通过NCBI FTP下载本地blast软件：

https://ftp.ncbi.nlm.nih.gov/blast/executables/blast+/LATEST/

对于Windows用户，直接下载exe可执行文件即可：

然后按照正常软件安装程序安装即可，可自定义安装路径

提示：以下是本篇文章正文内容，下面案例可供参考

检查blast是否添加至环境路径

一般来说新版的blast都会自动添加到环境目录中，这一步一般不用检查，只是为了以防万一，毕竟有些老版本的blast是不能自动添加到环境目录中的，需要手动添加一下

键盘同时按WIN+R，输入sysdm.cpl，

（用的不是自己的电脑，忽略我的英文操作系统）然后按回车，跳转，选择上方第三个选项卡高级，点下方的环境变量：

检查你安装blast目录下的bin文件夹是否有在用户PATH中：

若环境变量中没有blast目录，则需要手动添加一下：

选中PATH一栏，点击Edit，在弹出窗口中选择NEW，然后在下方栏目中复制粘贴你bin文件的路径，再点OK即可添加

使用blast

首先通过NCBI或Uniprot等数据库下载到自己需要的基因组/蛋白组文件，你的目标序列会在这些基因组/蛋白组文件中进行查询

合并fasta文件

下载完成后，如果你有多个物种的基因组\蛋白组需要检索，则需要将这些物种的基因组fasta文件合并为一个，这里使用了一个简单的python脚本来合并：
使用方法，将需要合并的所有文件放在一个文件夹中，文件夹中不要放置其他文件，同时在文件夹中放入这个python脚本，运行即可。

import os

outname="database.fasta"
with open(outname,'wt') as outfile:
    for filename in os.listdir():
        dot=filename.find(".")
        if (filename[dot+1:]=='txt' or filename[dot+1:]=='fasta') and filename!=outname:
            species=filename[:dot].replace(" ","_")
            with open(filename,'rt') as infile:
                for line in infile:
                    if line[0]=='>':
                        line=line.split('|')
                        outfile.write(">{}_{}\n".format(line[1],species))
                    else:
                        outfile.write(line)
            print("Finish {}".format(filename))

print("Finish all!")

以Uniprot下载得到的蛋白组fasta为例，其序列名都很长，因此我在合并文件时还加入了截短序列名的功能，这里是直接截取了序列名中两个|中间的序列号，同时加入fasta的文件名，因此建议将蛋白组文件名直接命名为其物种名，且尽量只有属名和种加词两个单词

修改前：

修改后：

检查重名

注意：检索的基因组中不能有重复的序列名，否则在建库的过程中会报错
这里同样使用了一个简单的python脚本来检查是否有重复的序列名：

with open("database.fasta",'rt') as infile:
    namelist=[]
    repeat=False
    for line in infile:
        if line[0]=='>':
            line=line.strip("")[1:]
            i=0
            while i<len(namelist):
                if namelist[i]==line:
                    repeat=True
                    i=-1
                    print("序列{}有重复".format(line))
                    break
                elif namelist[i]<line:
                    break
                else:
                    i+=1
            if i>0:
                namelist.insert(i,line)

if not repeat:
    print("该文件中没有重复的序列")

blast建库

此处建议新建一个空文件夹，将你合并好的蛋白组fasta和要查询的序列fasta放到这个文件夹中，在地址栏输入cmd，回车

在命令行界面中，输入如下命令进行建库

makeblastdb.exe -in database.fasta -parse_seqids -hash_index -dbtype prot

其中database.fasta需要更换为你自己的蛋白组文件名
若你构建的是基因组文件，则需要更换数据类型为核酸：

makeblastdb.exe -in database.fasta -parse_seqids -hash_index -dbtype nucl

建库完成后，会出现一大堆文件：

blast检索目标序列

如果你需要检索的fasta序列已经放置在数据库同一目录下，则可以在上面的cmd中继续输入：

blastp.exe -task blastp -query input.fasta -db database.fasta -out blast_result.txt -outfmt 6 -evalue 1e-5

如果需要比对的是核酸，则使用blastn

blastn.exe -task blastn -query input.fasta -db database.fasta -out blast_result.txt -outfmt 6 -evalue 1e-5

参数说明：
-query 需要检索的序列文件名
-db 需要在哪个数据库中检索
-out 输出文件名
-outfmt 输出格式，一般选6即可，有0-18可选
-evalue E值阈值，高于这个E值的序列不输出到结果中，默认值为10，建议设到10^-5以下

除此之外，还可以加入num_thread等参数，表示同时使用多少个线程来计算。其他更多参数可以使用
-help来查看：

blastp.exe -help

可选输出格式：

输出结果

如果选择的输出格式是6，那么得到的结果会是制表符分隔的表格，使用excel打开即可：

得到的一般会是这样一个有13列的表格

这几列对应的表头是：

query id：查询序列ID标识

subject id：比对上的目标序列ID标识

identity：序列比对的一致性百分比

alignment length：符合比对的比对区域的长度

mismatches：比对区域的错配数

gap openings：比对区域的gap数目

query start：比对区域在查询序列(Query id)上的起始位点

query end：比对区域在查询序列(Query id)上的终止位点

subject start：比对区域在目标序列(Subject id)上的起始位点

subject end：比对区域在目标序列(Subject id)上的终止位点

e-value：表明在随机的情况下，其它序列与目标序列相似度要大于S值的可能性，e-value的分值越低越好

bit score：比对结果的bit score值

后续就可以根据这些blast结果从中找到自己感兴趣的序列来进行分析

提取序列

由于需要根据序列号从基因组/蛋白组文件中逐个找回序列的工作十分繁琐，这里同样使用一个简单的python脚本来进行批量查找：

import os

print("请在本文件夹下input.txt文件中输入需要查找的序列,按回车分隔")
print("待查找的序列需与该程序置于同一文件夹中,且后缀名只能为.txt或.fasta")
try:
    with open('input.txt', 'rt', encoding='utf-8') as input_sequence_file:
        search_name=[n.strip() for n in input_sequence_file.read().strip().split("\n")]
except IOError:
    print("本文件夹下没有input.txt文件")

outfilename="result.fasta"
with open(outfilename,'wt') as outfile:
    for search_file_name in os.listdir():
        filetype=search_file_name[search_file_name.find(".")+1:]
        if (filetype!='txt' and filetype!='fasta') or search_file_name=='input.txt' or search_file_name==outfilename:
            continue
        with open(search_file_name,'rt') as search_file:
            key=''
            for line in search_file:
                if line[0]=='>':
                    if len(key)>0:
                        outfile.write(">{}\n{}\n".format(key,seqdict[key]))
                        key=''
                    if line[1:].strip() in search_name:
                        key=line[1:].strip()
                        seqdict={key:''}
                elif len(line.strip())>0 and len(key)>0:
                    seqdict[key]+=line.strip()

使用方法：将要查找的序列名放在input.txt中，每行一个；然后将数据库fasta文件和input.txt放在同一个文件夹目录下，不要放置其他多余文件，将该脚本放置在该文件夹中，运行，得到的结果会输出在output.txt中