滑动窗口生成蛋白肽段代码运行输出空文件问题排查

已定位的具体错误 #

• 语法缩进错误：Python依靠缩进划分代码块，原代码中ws_generating函数内部逻辑、遍历蛋白数据的for dt in data循环内部代码均未做缩进，解释器无法识别代码归属，直接触发语法错误，代码无法正常执行。
• 方法拼写错误：解析序列ID的代码写为dt.fsplit('\n')[0]，字符串对象不存在fsplit()方法，仅存在split()方法，运行到该行会直接抛出属性错误。
• 变量作用域错误：ws_generating函数内部直接使用了循环内定义的sseq（蛋白序列）变量，但该变量未作为参数传入函数，函数作用域无法访问该变量，运行到序列切片逻辑时会抛出变量未定义的错误。
• 标签逻辑错误：需求明确要求用1标记无序序列、0标记非无序序列，但原代码调用函数时给无序位点传入的标签是'Yes'，非无序位点传入的是'No'，和标注规则完全不符。
• 多余语法错误：pd.concat拼接数据的代码行末尾多了一个无意义的双引号"，会直接触发语法错误；最后一行写为df_final_result()，将DataFrame对象当作函数调用，这就是运行时提示对象为callable的直接原因——DataFrame是数据结构不是可执行函数，不能加括号调用。
• 方法兼容错误：原代码用df.append()逐行添加数据，该方法在pandas 2.0及以上版本已被完全移除，就算前置逻辑修正，高版本pandas环境下运行也会抛出方法不存在的错误，无法写入数据，最终导出空文件。
• 文件读取不规范：用open()打开文件后未做关闭操作，也未使用上下文管理器，可能出现文件内容读取不完整、资源泄漏的问题。
• 边界判断逻辑瑕疵：原代码判断N端padding的条件写为if neg < window_size，实际当位点索引等于window_size时才不需要N端padding，边界值判断不准会导致首位窗口序列长度不符合预期。

修正后可运行代码 #

import os
import pandas as pd

DATA_DIR = 'D:/TMU/spring semester/application of artficial intelligence in genomics/Project 7 - DeepDisoBind'
window_size = 5
window_total_len = 2 * window_size + 1  # 中心位点左右各取window_size个残基，总窗口长度固定

def ws_generating(site_list, label, full_seq):
    # 改用列表收集数据，避免逐行append DataFrame的性能问题和版本兼容问题
    sample_list = []
    seq_len = len(full_seq)
    for site in site_list:
        # 处理N端边界
        if site <= window_size - 1:
            left_pad = '-' * (window_size - site)
            left_seq = full_seq[:site + window_size + 1]
            seq_result = left_pad + left_seq
        # 处理C端边界
        elif site >= seq_len - window_size:
            right_pad = '-' * (window_size - (seq_len - 1 - site))
            right_seq = full_seq[site - window_size:]
            seq_result = right_seq + right_pad
        # 处理序列中间位点
        else:
            seq_result = full_seq[site - window_size : site + window_size + 1]
        # 兜底校验窗口长度，避免异常
        assert len(seq_result) == window_total_len, f"窗口长度异常，位点{site}生成序列长度为{len(seq_result)}"
        sample_list.append( (seq_result, label) )
    return sample_list

# 用上下文管理器读取文件，自动释放资源
all_samples = []
with open(os.path.join(DATA_DIR, 'Training_class.txt'), 'r') as f:
    fdata = f.read()
data = fdata.split('\n>')[1:]

for dt in data:
    dt_lines = dt.strip().split('\n')
    # 修正fsplit拼写错误
    sid = dt_lines[0]
    sseq = dt_lines[1]
    smap = dt_lines[2]

    # 按需求传入0/1标签，同时把蛋白序列作为参数传入函数
    pos_sites = [pos for pos, char in enumerate(smap) if char == '1']
    neg_sites = [neg for neg, char in enumerate(smap) if char == '0']
    all_samples.extend(ws_generating(pos_sites, 1, sseq))
    all_samples.extend(ws_generating(neg_sites, 0, sseq))

# 一次性生成最终DataFrame
df_final_result = pd.DataFrame(all_samples, columns=['Sequence', 'Label'])
# 导出前打印样本量确认数据正常
print(f"共生成{len(df_final_result)}条滑动窗口样本")
df_final_result.to_csv(os.path.join(DATA_DIR, 'trainrun.ws05.csv'), index=None)

# 查看表头直接调用columns属性，不要加括号
print(df_final_result.columns)

替代优化方案 #

• 针对fasta格式的带标注蛋白序列，可直接用Biopython的SeqIO模块做解析，不用手写split逻辑，能自动兼容空行、换行符不统一、序列ID带特殊字符等异常情况，解析稳定性远高于手写字符串切割。
• 如果后续要做无序结合位点的深度学习模型训练，可以把padding字符从-换成专门的未知氨基酸token，或者用氨基酸编码的默认填充值，避免模型把padding字符当作有效残基学习。
• 大样本量下可以用numpy做序列切片，比纯Python循环生成窗口的速度快3~5倍，适合处理万条以上的蛋白序列数据集。

内容的提问来源于stack exchange，提问作者Rut christine