修复从F1.fastq提取非F2.fastq reads时的SeqRecord不可哈希错误

原代码报错的核心原因是Biopython的SeqRecord对象属于不可哈希类型，无法直接存入集合（set）。集合要求元素必须是不可变且可哈希的类型（比如字符串、整数），而SeqRecord是包含多个可变属性的对象，不符合集合的存储要求。

方案1：基于Read ID筛选（推荐，处理速度快） #

通常fastq文件中的read ID是唯一标识，我们可以先收集F2中所有read的ID，再遍历F1筛选出ID不在F2中的read：

from Bio import SeqIO

# 收集F2中所有read的ID，存入集合（集合查询效率远高于列表）
f2_read_ids = set()
for record in SeqIO.parse("F2.fastq", "fastq"):
    f2_read_ids.add(record.id)

# 遍历F1，筛选出ID不在F2中的read
unique_reads = []
for record in SeqIO.parse("F1.fastq", "fastq"):
    if record.id not in f2_read_ids:
        unique_reads.append(record)

# 将结果写入输出文件
with open("DIFF.fastq", "w") as output_handle:
    SeqIO.write(unique_reads, output_handle, "fastq")

方案2：基于序列内容筛选（应对ID重复场景） #

如果存在ID相同但序列不同的特殊情况，可以用序列的字符串形式作为比对标识：

from Bio import SeqIO

# 收集F2中所有序列的字符串内容
f2_seqs = set()
for record in SeqIO.parse("F2.fastq", "fastq"):
    f2_seqs.add(str(record.seq))

# 筛选F1中序列不在F2中的read
unique_reads = []
for record in SeqIO.parse("F1.fastq", "fastq"):
    if str(record.seq) not in f2_seqs:
        unique_reads.append(record)

# 写入结果文件
with open("DIFF.fastq", "w") as output_handle:
    SeqIO.write(unique_reads, output_handle, "fastq")

核心优化说明 #

• 用集合存储标识：集合的成员查询操作（in）时间复杂度为O(1)，相比列表的O(n)，处理大文件时效率提升显著。
• 使用with语句管理文件：自动完成文件关闭操作，避免资源泄漏问题。

内容的提问来源于stack exchange，提问作者Dan