如何用Python读取Clustal格式MSA文件并生成带高亮的对齐PDF

前置依赖 #

先安装两个核心库：

• Biopython：用于解析Clustal格式的多序列比对文件
• reportlab：用于生成PDF并实现文本高亮

执行安装命令：

pip install biopython reportlab

步骤1：读取Clustal格式MSA文件 #

使用Biopython的AlignIO模块读取结构化的比对数据：

from Bio import AlignIO

# 替换为你的Clustal文件路径
alignment = AlignIO.read("your_alignment.clustal", "clustal")

步骤2：定义高亮规则 #

指定需要高亮的序列ID及其位置区间（注意：位置为0-based，即第一个字符位置为0）：

# 示例：键为序列ID，值为(起始位置, 结束位置)的列表（左闭右开）
highlight_regions = {
    "SampleSeq_01": [(12, 28), (35, 47)],
    "SampleSeq_03": [(8, 18)]
}

步骤3：生成带高亮的PDF #

通过reportlab将结构化序列数据渲染为PDF，同时对指定区域添加高亮：

from reportlab.lib.pagesizes import letter
from reportlab.lib.styles import getSampleStyleSheet
from reportlab.platypus import SimpleDocTemplate, Paragraph, Spacer
from reportlab.lib.colors import yellow

def render_msa_pdf(alignment, highlight_config, output_path, line_length=60):
    doc = SimpleDocTemplate(output_path, pagesize=letter)
    styles = getSampleStyleSheet()
    base_style = styles["BodyText"]
    content_elements = []

    for seq_record in alignment:
        seq_id = seq_record.id
        full_seq = str(seq_record.seq)
        
        # 添加加粗的序列ID
        content_elements.append(Paragraph(f"<b>{seq_id}</b>", base_style))
        content_elements.append(Spacer(1, 5))

        # 分段处理长序列，避免超出页面宽度
        for start_idx in range(0, len(full_seq), line_length):
            line_segment = full_seq[start_idx:start_idx+line_length]
            highlighted_segment = ""
            current_global_pos = start_idx

            for char_idx in range(len(line_segment)):
                pos = current_global_pos + char_idx
                # 检查当前位置是否在高亮区间内
                highlight_flag = False
                if seq_id in highlight_config:
                    for (h_start, h_end) in highlight_config[seq_id]:
                        if h_start <= pos < h_end:
                            highlight_flag = True
                            break
                # 拼接带高亮的文本片段
                if highlight_flag:
                    highlighted_segment += f"<span bgColor='{yellow}'>{line_segment[char_idx]}</span>"
                else:
                    highlighted_segment += line_segment[char_idx]
            
            content_elements.append(Paragraph(highlighted_segment, base_style))
        
        content_elements.append(Spacer(1, 10))
    
    doc.build(content_elements)

# 调用函数生成PDF
render_msa_pdf(alignment, highlight_regions, "msa_with_highlight.pdf")

关键说明 #

• 为何直接导入PDF无法高亮：直接导出的MSA PDF是静态文本或位图，未保留序列的结构化位置信息，无法通过常规命令定位并修改特定片段样式。必须从原始Clustal文件读取结构化数据，重新渲染为可定制格式的PDF。
• 位置适配：若习惯使用1-based位置计数，需将高亮区间的起始/结束值各减1（例如1-based的13-29对应0-based的12-28）。
• 自定义调整：可修改line_length调整每行字符数，替换yellow为lightblue等颜色改变高亮样式，或通过base_style调整字体、字号等排版参数。

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