构建以蛋白质组文件名为键的FASTA序列名称字典求助

问题根源 #

你当前代码的几个核心问题：

• 用pd.read_csv()读取FASTA文件完全错误，FASTA不是CSV格式，pandas无法正确解析其结构，只会得到错误结果。
• 代码里硬编码了固定文件名GCA_003547095.1_protein.faa，根本没有遍历proteomes_list里的文件列表。
• readlines()读取的文件名会自带换行符\n，直接使用会导致文件路径错误。

正确实现步骤 #

1. 处理文件名列表：去掉readlines()读出来的文件名中的换行符，避免路径错误。
2. 编写FASTA序列ID提取函数：遍历FASTA文件的每一行，筛选出以>开头的行，提取>后面的序列ID（如果ID行带描述，只取第一个空格前的部分即可）。
3. 读取目标蛋白ID集合：把PF00001里的ID读到集合中，集合的查找效率远高于列表，适合统计匹配数量。
4. 遍历文件构建字典并统计数量：逐个处理每个蛋白质组文件，提取所有ID，统计和目标集合的匹配数，同时构建你需要的字典。

完整代码示例 #

def extract_fasta_ids(fasta_path):
    """从FASTA文件中提取所有序列ID"""
    ids = []
    with open(fasta_path, 'r') as f:
        for line in f:
            line = line.strip()
            if line.startswith('>'):
                # 提取>后面的内容，若有描述则取第一个空格前的部分
                seq_id = line[1:].split()[0]
                ids.append(seq_id)
    return ids

# 1. 处理文件名列表，去掉换行符
with open("proteomes_list", 'r') as f:
    file_names = [name.strip() for name in f.readlines()]

# 2. 读取目标蛋白ID集合
with open("PF00001", 'r') as f:
    target_ids = set([line.strip() for line in f.readlines()])

# 3. 构建字典并统计目标蛋白数量
proteome_id_dict = {}
target_count_dict = {}

for file_name in file_names:
    fasta_path = f"/proteomes/{file_name}"
    # 提取当前文件的所有序列ID
    all_ids = extract_fasta_ids(fasta_path)
    proteome_id_dict[file_name] = all_ids
    # 统计目标蛋白数量
    count = sum(1 for id in all_ids if id in target_ids)
    target_count_dict[file_name] = count

# 输出结果
print("蛋白质组ID字典：")
print(proteome_id_dict)
print("\n各蛋白质组目标蛋白数量：")
print(target_count_dict)

代码说明 #

• extract_fasta_ids函数专门处理FASTA文件，精准提取每个序列的ID，避免解析错误。
• 用集合存储目标ID，是因为集合的成员查询操作id in target_ids时间复杂度为O(1)，比列表的O(n)高效得多，尤其是当目标ID数量很大时。
• 先处理文件名的换行符，确保拼接的文件路径正确，不会出现找不到文件的情况。

内容的提问来源于stack exchange，提问作者aleksowski