Sélectionner une partie d'un fichier

Version imprimable

Bonjour à tous,
J'ai le fichier suivant :

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
LOCUS       MK559245                 402 bp    DNA     linear   BCT 30-JUN-2019
DEFINITION  Bradyrhizobium sp. strain 83012 ThrA (thrA) gene, partial cds.
ACCESSION   MK559245
VERSION     MK559245.1
KEYWORDS    .
SOURCE      Bradyrhizobium sp.
  ORGANISM  Bradyrhizobium sp.
            Bacteria; Proteobacteria; Alphaproteobacteria; Rhizobiales;
            Bradyrhizobiaceae; Bradyrhizobium.
REFERENCE   1  (bases 1 to 402)
  AUTHORS   Zhang,Z. and Li,Y.
  TITLE     Direct Submission
  JOURNAL   Submitted (21-FEB-2019) Key Laboratory of Coastal Biology and
            Utilization, Yantai Institute of Coastal Zone Research, Chinese
            Academy of Sciences, 17 Chunhui Road, Laishan District, Yantai,
            Shandong 264003, China
COMMENT     ##Assembly-Data-START##
            Sequencing Technology :: Sanger dideoxy sequencing
            ##Assembly-Data-END##
FEATURES             Location/Qualifiers
     source          1..402
                     /organism="Bradyrhizobium sp."
                     /mol_type="genomic DNA"
                     /strain="83012"
                     /isolation_source="nodules"
                     /host="Aeschynomene indica"
                     /db_xref="taxon:376"
                     /country="China"
     gene            <1..>402
                     /gene="thrA"
     CDS             <1..>402
                     /gene="thrA"
                     /codon_start=1
                     /transl_table=11
                     /product="ThrA"
                     /protein_id="QDF43547.1"
                     /translation="FEAAVGAAIPVIKTLREGLAGTGISRVYGILNGTCNYILTRMEQ
                     EGLSFDECLKDAQRLGYAEADPSFDIHGHDTAQKLAILASLAFGTQVAEKSIYVEGIS
                     SIAPEDLKAAAELGYRVKLLGVAMRTAKGIEQ"
ORIGIN      
        1 ttcgaggccg ccgtcggggc cgccattccg gtcatcaaga ccctgcgcga ggggctcgcc
       61 ggcaccggca tcagccgcgt ctatggcatc ctcaacggga cctgcaacta catcctgacc
      121 cggatggagc aggagggcct gtcgttcgac gagtgcctga aggacgccca gcgcctgggt
      181 tacgccgagg ccgatccgtc gttcgacatt catggccacg ataccgcgca gaagctggcg
      241 atcctggcga gtctcgcctt cggcacccag gtggccgaaa aatccatcta cgtggaaggc
      301 atctcctcga tcgccccgga ggatctgaag gccgcggccg agctgggtta tcgcgtcaag
      361 ctgctcggcg tcgccatgcg taccgccaag ggcatcgagc ag
//

Je dois isoler la séquence d'ADN ( ttcgaggccg...ag) de ce fichier et la placer dans une liste... or je ne vois pas du tout comment faire, pouvez vous m'aider ?

Merci

30/07/2019, 15h20
wiztricks

Salut,

Citation:

Envoyé par Amniote

je ne vois pas du tout comment faire, pouvez vous m'aider ?

Vous pourriez lire le fichier ligne par ligne, détecter celle qui commence par "ORIGIN", stocker les suivantes dans une liste. Puis nettoyer la liste de lignes...

- W

salut,

par exemple avec des regex et en mettant tout le fichier en mémoire (5 lignes) :

Code:

1
2
3
4
5
import re
with open('fichier', 'r') as f:
   content = f.read()
block = re.findall(r'ORIGIN(.+)//', content, re.DOTALL)[0]  # on isole le bloc "ORIGIN (...) //"
sequences = re.findall(r'[actg]{2,}', block)                # on garde uniquement les séquences actg de 2 caractères ou +

et le résultat :

Code:

1
2
>>> sequences
['ttcgaggccg', 'ccgtcggggc', 'cgccattccg', 'gtcatcaaga', 'ccctgcgcga', 'ggggctcgcc', 'ggcaccggca', 'tcagccgcgt', 'ctatggcatc', 'ctcaacggga', 'cctgcaacta', 'catcctgacc', 'cggatggagc', 'aggagggcct', 'gtcgttcgac', 'gagtgcctga', 'aggacgccca', 'gcgcctgggt', 'tacgccgagg', 'ccgatccgtc', 'gttcgacatt', 'catggccacg', 'ataccgcgca', 'gaagctggcg', 'atcctggcga', 'gtctcgcctt', 'cggcacccag', 'gtggccgaaa', 'aatccatcta', 'cgtggaaggc', 'atctcctcga', 'tcgccccgga', 'ggatctgaag', 'gccgcggccg', 'agctgggtta', 'tcgcgtcaag', 'ctgctcggcg', 'tcgccatgcg', 'taccgccaag', 'ggcatcgagc', 'ag']

Avec itertools:

Code:

1
2
3
4
5
6
from itertools import dropwhile, takewhile, chain
 
with open('rhyzome.txt', 'r') as fh:
     l=dropwhile(lambda x: not x.startswith('ORIGIN'), fh)
     n=chain.from_iterable([m.split()[1::] for m in takewhile(lambda x: not x.startswith('//'), l)])
     print(list(n))

Bonsoir,

Avec un flag ça passe bien aussi,

Code:

1
2
3
4
5
6
7
8
9
10
11
12
In [1]: with open('test.txt', 'r') as f:     
    ...:     start = False 
    ...:     for line in f: 
    ...:         if line.startswith('ORIGIN'): 
    ...:             line = next(f) 
    ...:             start = True 
    ...:         elif line.startswith('\\'):  
    ...:             break 
    ...:         if start: 
    ...:             n, *values = line.lstrip().split() 
    ...:             if values: 
    ...:                 print(values)

Code:

1
2
3
4
5
6
7
['ttcgaggccg', 'ccgtcggggc', 'cgccattccg', 'gtcatcaaga', 'ccctgcgcga', 'ggggctcgcc']
['ggcaccggca', 'tcagccgcgt', 'ctatggcatc', 'ctcaacggga', 'cctgcaacta', 'catcctgacc']
['cggatggagc', 'aggagggcct', 'gtcgttcgac', 'gagtgcctga', 'aggacgccca', 'gcgcctgggt']
['tacgccgagg', 'ccgatccgtc', 'gttcgacatt', 'catggccacg', 'ataccgcgca', 'gaagctggcg']
['atcctggcga', 'gtctcgcctt', 'cggcacccag', 'gtggccgaaa', 'aatccatcta', 'cgtggaaggc']
['atctcctcga', 'tcgccccgga', 'ggatctgaag', 'gccgcggccg', 'agctgggtta', 'tcgcgtcaag']
['ctgctcggcg', 'tcgccatgcg', 'taccgccaag', 'ggcatcgagc', 'ag']

Citation:

Envoyé par fred1599

Avec un flag ça passe bien aussi

Sans "flag", ce n'est pas si horrible non plus:
Code:

1 2 3 4 5 6 7 8 with open('test.txt', 'r') as f: for line in f: if line.startswith('ORIGIN'): break lines = [] for line in f: lines += line.rstrip().split()[1:] print (''.join(lines))
Bon d'accord, je n'écrirai pas cela ainsi car çà fonctionne lorsque le fichier texte est "bien formé" et que l'expérience rend méfiant... Mais çà reste à la portée de ce qu'a (normalement) appris un débutant.

- W