Biopython 系列教程(一)快速上手与基础入门

系列总览：本教程基于 Biopython 1.86 官方文档编写，旨在帮助初学者快速上手这一强大的生物信息学工具。

Biopython (www.biopython.org) 是一个由全球志愿者共同开发和维护的、开源且免费的 Python 模块集合，主要用于计算分子生物学领域，它是目前最强大的 Python 生物信息学库之一，可以帮你搞定序列处理、文件解析、数据库连接等各种常见任务。自 2000 年诞生以来，它一直在不断更新和完善。

解析生物信息学文件：能将各种标准的生物信息学文件格式解析成 Python 可轻松操作的数据结构。

• 序列格式：如 BLAST 输出、Clustalw、FASTA、GenBank 等。

• 文献数据：如 PubMed 和 Medline。

• 蛋白质数据库：如 ExPASy（包括 Enzyme 和 Prosite）、SwissProt、SCOP 等。

• 基因数据：如 UniGene。

• 它还支持按记录迭代访问文件，或通过类似字典的接口进行索引。

访问在线生物学数据库：提供了与主流在线数据库交互的接口。

• NCBI 服务：包括 BLAST、Entrez 和 PubMed。

• ExPASy 服务：可以获取 Swiss-Prot 和 Prosite 等蛋白质数据库的条目。

调用本地生物学程序：提供了调用本地安装的常用生信软件的接口。例如，可以方便地运行本地的 BLAST、Clustalw 比对程序，以及 EMBOSS 工具套件。

核心的序列与数据处理：

• 提供了一个标准的序列类 (Seq)，用于处理序列、ID 和序列特征。

• 支持常见的序列操作，如翻译（DNA->蛋白质）、转录（DNA->RNA）和分子量计算。

• 提供了处理序列比对的工具和构建替换矩阵的方法。

其他实用功能：

• 机器学习：包含 k 近邻、朴素贝叶斯或支持向量机等分类算法。

• 并行计算：提供了将可并行任务拆分的工具。

• 图形界面：有一些基础的小程序用于进行序列操作、翻译和 BLAST 等。

• 文档与社区：拥有详尽的文档、在线 wiki、网站和邮件列表，方便大家交流学习。

• 数据库整合：可与 BioSQL 数据库 schema 整合，实现数据的持久化管理。

如果你已经安装了 Python 和 pip，直接在终端或命令行中输入以下命令即可：

pip install biopython# 如果电脑上有多个 python, 指定安装可以采用以下命令D:\softs\install\Anaconda3\python -m pip install biopython

如何查看我安装的 Biopython 版本？

import Bioprint(Bio.__version__)# 如果第一行报错，说明 Biopython 没装上。# 如果第二行报错，说明你的版本非常老了。

其他安装选项见：https://github.com/biopython/biopython/blob/master/README.rst

假设你已经有了基本的 Python 知识，并且成功安装了 Biopython。

注：整个系列都会以杓兰 (Lady Slipper Orchids) 为例展开分析。

在生物信息学里，序列无疑是最核心的对象。在 Biopython 中，它由 Seq 对象来表示。你可以像操作字符串一样操作它，但它还提供了很多生物学特有的方法。

from Bio.Seq import Seqmy_seq = Seq("AGTACACTGGT")print(my_seq)# AGTACACTGGTmy_seq# Seq('AGTACACTGGT')my_seq.complement()# Seq('TCATGTGACCA')my_seq.reverse_complement()# Seq('ACCAGTGTACT')

除了 Seq，还有一个更常用的类叫 SeqRecord（序列记录）。它不仅包含序列本身（一个 Seq 对象），还附带了 ID、名称、描述等注释信息。接下来要讲的 Bio.SeqIO 模块，就是专门用来读写 SeqRecord 对象的。

Bio.SeqIO 模块为超过 20 种常见的序列格式（如 FASTA, GenBank, SwissProt 等）提供了统一的接口，让解析工作变得异常简单。

从 NCBI 上下载了一些杓兰的序列数据，示例文件：

• ls_orchid.fasta：https://raw.githubusercontent.com/biopython/biopython/master/Doc/examples/ls_orchid.fasta

• ls_orchid.gbk：https://raw.githubusercontent.com/biopython/biopython/master/Doc/examples/ls_orchid.gbk

1. FASTA 文件解析示例

from Bio import SeqIO# 使用 SeqIO.parse 迭代文件中的每条记录for seq_record in SeqIO.parse("ls_orchid.fasta", "fasta"):    print(f"ID: {seq_record.id}")    print(f"序列摘要: {repr(seq_record.seq[:50])}...") # 只打印前50个字    print(f"序列长度: {len(seq_record)}")

2. GenBank 文件解析示例

from Bio import SeqIO# 只需修改文件名 (ls_orchid.gbk) 和格式参数 (genebank)for seq_record in SeqIO.parse("ls_orchid.gbk", "genbank"):    print(seq_record.id)    print(repr(seq_record.seq))    print(len(seq_record))

很多时候，我们需要从互联网上的公共数据库中获取数据。Biopython 同样提供了便捷的接口，帮你省去手动重复的麻烦。目前，它主要支持与以下数据库的交互：

• Entrez (and PubMed) from the NCBI

• ExPASy

• SCOP