根据python中的数据框重命名fasta文件

如何解决根据python中的数据框重命名fasta文件

您好，我有一个很大的文件，例如：

>Seq1.1
AAAGGAGAATAGA
>Seq2.2
AGGAGCTTCTCAC
>Seq3.1
CGTACTACGAGA
>Seq5.2
CGAGATATA
>Seq3.1
CGTACTACGAGA
>Seq2
AGGAGAT

和一个数据框，例如：

标签

query  New_query
Seq1.1 Seq1.1
Seq2.2 Seq2.2
Seq3.1 Seq3.1_0
Seq5.2 Seq5.2_3
Seq3.1 Seq3.1_1

并且想法是根据>Seqname重命名tab。

然后对于每个Seqname，如果tab['query']！= tab['New_query']，则将Seqname重命名为tab['New_query']

Ps：选项卡中没有所有的> Seqname，如果是这种情况，那么我什么也不做。

然后我应该获得一个新的fasta文件，例如：

 >Seq1.1
    AAAGGAGAATAGA
    >Seq2.2
    AGGAGCTTCTCAC
    >Seq3.1_0
    CGTACTACGAGA
    >Seq5.2_3
    CGAGATATA
    >Seq3.1_1
    CGTACTACGAGA
    >Seq2
    AGGAGAT

我尝试了以下代码：

records = SeqIO.parse("My_fasta_file.aa",'fasta')
for record in records:
    subtab=tab[tab['query']==record.id]
    subtab=subtab.drop_duplicates(subset ="New_query",keep = "first") 
    if subtab.empty == True: #it means that the seq was not in the tab,so I do not rename the sequence. 
        continue
    else:
        if subtab['query'].iloc[0] != subtab['New_query'].iloc[0]:
            record.id = subtab['New_query']
            record.description = subtab['New_query']
        else:
            continue

它可以工作，但是要花很多时间...

解决方法

您可以从数据框中创建一个映射器字典，然后逐行读取fasta文件，用以>开头的行代替：

mapper = tab.set_index('query').to_dict()['New_query']

with open('My_fasta_file.aa','r') as f_in,open('output.txt','w') as f_out:
    for line in map(str.strip,f_in):
        if line.startswith('>'):
            v = line.split('>')[-1]
            line = '>{}'.format(mapper.get(v,v))
        print(line,file=f_out)

创建output.txt：

>Seq1.1
AAAGGAGAATAGA
>Seq2.2
AGGAGCTTCTCAC
>Seq3.1_1
CGTACTACGAGA
>Seq5.2_3
CGAGATATA
>Seq3.1_1
CGTACTACGAGA
>Seq2
AGGAGAT

@Andrej使用字典的解决方案确实是一种方法。由于您已经在使用biopython，下面是一种使用它的方法，我认为这可能很好，因为它可以正确处理fasta文件。

您的data.frame是：

tab = pd.DataFrame({'query':['Seq1.1','Seq2.2','Seq3.1','Seq5.2','Seq3.1'],'New_query':['Seq1.1','Seq3.1_0','Seq5.2_3','Seq3.1_1']})

与Andrej词典相同：

mapper = tab.set_index('query').to_dict()['New_query']

然后类似于您所做的，我们只是更改标题（通过更新ID和描述，感谢@Chris_Rands）：

records = list(SeqIO.parse("My_fasta_file.aa","fasta"))
for i in records:
    i.id = mapper.get(i.id,i.id)
    i.description = mapper.get(i.description,i.description)

现在写入文件：

with open("new.fasta","w") as output_handle:
    SeqIO.write(records,output_handle,"fasta")