如何用Python将氨基酸序列格式化为带<|endoftext|>标记的分段文本

以下是满足需求的Python实现代码，核心是按原文件的每行独立处理，同时控制每行的氨基酸数量：

# 读取input.txt中的所有序列
with open('input.txt', 'r') as input_file:
    # 逐行读取，去掉首尾空白后按空格分割成氨基酸列表，跳过空行
    raw_sequences = [line.strip().split() for line in input_file if line.strip()]

processed_content = []
for seq in raw_sequences:
    # 为当前序列添加开头标记
    marked_seq = ['<|endoftext|>'] + seq
    # 按每30个元素为一组分割
    for start_idx in range(0, len(marked_seq), 30):
        # 截取当前组的元素，转为空格分隔的字符串
        line_chunk = ' '.join(marked_seq[start_idx:start_idx+30])
        processed_content.append(line_chunk)

# 输出处理后的内容（可选择打印或写入文件）
# 打印到控制台
print('\n'.join(processed_content))

# 若要写入文件，取消下面注释
# with open('output.txt', 'w') as output_file:
#     output_file.write('\n'.join(processed_content))

关键逻辑说明 #

1. 按行独立处理：原文件的每一行对应一个独立的氨基酸序列，读取时保留这种独立性，避免所有序列被无差别拼接。
2. 标记添加：给每个序列的最前面插入<|endoftext|>标记，和氨基酸序列合并成一个统一列表。
3. 分段控制：通过range(0, len(marked_seq), 30)生成起始索引，每次截取最多30个元素，确保每行的元素（含标记）数量不超过30个。

内容的提问来源于stack exchange，提问作者littleworth