如何用Python去除FASTA基因组文件标题多余注释

针对你的需求，这里提供一段适合新手理解的Python代码，能帮你批量处理FASTA文件，只保留标题中的locus_tag和protein字段，同时完整保留对应序列：

import re

def process_fasta(input_file, output_file):
    # 定义匹配locus_tag和protein字段的正则表达式
    locus_pattern = re.compile(r'\[locus_tag=([^\]]+)\]')
    protein_pattern = re.compile(r'\[protein=([^\]]+)\]')
    
    with open(input_file, 'r') as infile, open(output_file, 'w') as outfile:
        for line in infile:
            line = line.strip()
            if not line:
                continue  # 跳过空行
            # 判断是否是标题行（以>开头）
            if line.startswith('>'):
                # 提取标题内容（去掉开头的>）
                header = line[1:]
                # 查找locus_tag和protein字段
                locus_match = locus_pattern.search(header)
                protein_match = protein_pattern.search(header)
                
                # 构建新标题，确保字段存在才添加
                new_header_parts = []
                if locus_match:
                    new_header_parts.append(f'[locus_tag={locus_match.group(1)}]')
                if protein_match:
                    new_header_parts.append(f'[protein={protein_match.group(1)}]')
                
                # 拼接新标题，开头加>
                new_header = '>' + ' '.join(new_header_parts)
                outfile.write(new_header + '\n')
            else:
                # 序列行直接写入
                outfile.write(line + '\n')

# 使用示例：替换成你的输入输出文件路径
process_fasta('input.fasta', 'output.fasta')

代码说明： #

1. 正则表达式匹配：用re.compile预编译匹配规则，[^\]]+表示匹配除了]之外的所有字符，精准提取字段内容。
2. 文件读写：用with语句自动管理文件打开/关闭，避免资源泄漏。
3. 标题处理逻辑：
   • 识别以>开头的标题行，去掉开头的>后提取内容。
   • 分别查找locus_tag和protein字段，存在则加入新标题。
   • 拼接新标题并写入输出文件。
4. 序列处理：非标题行直接原样写入，保证序列完整。

效果示例： #

输入标题：

lcl|CP000438.1_cds_ABJ14958.1_2 [gene=dnaN] [locus_tag=PA14_00020] [protein=DNA polymerase III, beta chain] [protein_id=ABJ14958.1] [location=2056..3159] [gbkey=CDS]

输出标题：

[locus_tag=PA14_00020] [protein=DNA polymerase III, beta chain]

序列部分完全保留原内容。

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