如何在Python中移除序列列表中的非核苷酸字符？

可以通过过滤每个序列中的字符实现只保留合法核苷酸，同时还能处理序列里的大小写问题。以下是两种实用方案：

方法一：列表推导式过滤（推荐） #

直接遍历每个序列的字符，仅保留在允许集合内的字符，还可统一大小写保证序列一致性：

seq0,seq1,seq2,seq3,seq4,seq5 = 'CCACGCGTCCGCCGCGACCTGCGTTTTCCTGGGGGTCCGCAACTCTGGCTTGACCCAAGGACCCGGCCAC','attgccattatataACCCGGCCACCCCCATAGGCAGATGTCAGGACAACTCGCATCTCAGCAGAGCAGCCCCTGGCCCAGG','TCXCACCCATAGGCAGATGGCCTCCGCCCCACCCCCGGGAGGATTTCTTAATGGGGTGAAAATGC','CAGTCCCCGAAGCCAGGGTTCCGGGACCCCCGGGGCCGAGCTGGGCGCGGGAAAAGAAttacggacttaGTCAGCCCCGCAGGGG','ATGGGGTGATCGTCGCTCGCGGGCTCTGTCTTCCTGTTCACCCTCCTCTGCCCCCAACTCCATCTCTGAGACCTCCTGCCCCCCCA','AAAAAAGAAGTCGCTCGCGTCGCTCGCGGGCTGGGCTCTGTCTGCGTCGCTCGCGGGCTAGAGAGCCAGGGTGA'

NTs = [seq0,seq1,seq2,seq3,seq4,seq5]

# 用集合存核苷酸（成员检查速度更快），包含大小写
nucleotides = {'G','A','C','T','U','g','a','c','t','u'}

# 过滤每个序列，仅保留合法字符
filtered_NTs = [''.join([char for char in seq if char in nucleotides]) for seq in NTs]

# 可选：统一转成大写（或小写）
filtered_NTs_upper = [seq.upper() for seq in filtered_NTs]

# 查看处理结果（示例打印前50个字符）
for idx, seq in enumerate(filtered_NTs_upper):
    print(f"处理后序列{idx}: {seq[:50]}...")

方法二：使用filter()函数 #

逻辑和列表推导式一致，用内置filter()函数实现过滤：

# 定义过滤规则函数
def is_valid_nucleotide(char):
    return char in nucleotides

filtered_NTs = [''.join(filter(is_valid_nucleotide, seq)) for seq in NTs]

额外优化建议 #

• 若不需要保留原大小写，可先将序列转成大写/小写，这样nucleotides只需存单种大小写形式：

  nucleotides = {'G','A','C','T','U'}
  filtered_NTs = [''.join([char for char in seq.upper() if char in nucleotides]) for seq in NTs]
  

• 可保留原检测逻辑，用来提示存在非法字符的序列：

  for idx, seq in enumerate(NTs):
      if any(char.upper() not in nucleotides for char in seq):
          print(f"警告：序列{idx}包含非核苷酸字符，已自动过滤")
  

内容的提问来源于stack exchange，提问作者Inan Khan