R语言readGenBank读取GenBank文件报错，无法提取基因及获取元数据

报错原因 #

all(sapply(text, function(x) identical(substr(x[1], 1, 5), "LOCUS"))) is not TRUE 这个错误说明：readGenBank要求输入的GenBank文件每条记录的第一行必须以LOCUS开头，但你的文件不符合这个要求——大概率是下载了多序列的GBFF批量文件，或者文件开头存在多余的注释/空行。

解决方案 #

1. 处理多序列GBFF文件 #

NCBI批量下载的GenBank文件通常包含多条记录，readGenBank默认无法直接读取，需要先拆分每条记录再逐个处理：

library(genbankr)
library(stringr)
library(purrr)

# 读取文件所有行
gb_lines <- readLines("sequence.gb")

# 定位每条记录的起始位置（以LOCUS开头的行）
record_starts <- which(str_detect(gb_lines, "^LOCUS"))
# 拆分出每条记录的行范围
records <- map2(record_starts, c(record_starts[-1]-1, length(gb_lines)), function(start, end) {
  gb_lines[start:end]
})

# 逐个读取记录并合并为一个GenBank对象
gb_list <- map(records, readGenBank, text = TRUE)
gb <- do.call(c, gb_list)

# 提取基因信息并转为data.frame
GENES <- genes(gb)
GenesDF <- as.data.frame(GENES)

2. 清理文件开头的多余内容 #

如果文件开头有非LOCUS的注释行（比如NCBI下载时的##GenBank...标识），先过滤后再读取：

library(genbankr)
library(stringr)

# 读取文件并清理开头非LOCUS的行
gb_lines <- readLines("sequence.gb")
gb_clean <- gb_lines[which(str_detect(gb_lines, "^LOCUS")):length(gb_lines)]

# 读取清理后的内容
gb <- readGenBank(text = gb_clean)

GENES <- genes(gb)
GenesDF <- as.data.frame(GENES)

3. 确认文件格式正确性 #

确保下载的是纯GenBank格式：在NCBI页面选择「Send to」→「File」→「Format: GenBank」，不要选择FASTA或其他格式。

保留元数据的额外操作 #

gb对象本身包含了所有序列的元数据，可通过以下方式提取：

# 获取序列级元数据
seq_metadata <- as.data.frame(mcols(gb))
# 将基因数据与序列元数据关联（如需）
GenesDF$seq_accession <- map_chr(GENES, ~ as.character(seqnames(.x)))

内容的提问来源于stack exchange，提问作者Gaby