如何编写字符串算法：FASTA文件GC含量计算（含两种实现方式）

这里给你两种解决FASTA文件GC含量计算问题的方案，分别是原生Python实现（无需额外依赖）和Biopython实现（更简洁高效），都能准确识别以>开头的记录分隔符，处理跨多行的DNA序列。

不使用Biopython的原生Python实现 #

这种方案完全依赖Python标准库，适合不想安装第三方库的场景。核心思路是逐行读取文件，遇到>就切换到新的序列记录，同时拼接当前记录的多行序列内容，最后批量计算GC含量并找出最大值。

def calculate_gc_content(sequence):
    """计算单个DNA序列的GC含量百分比"""
    gc_count = sequence.count('G') + sequence.count('C')
    return (gc_count / len(sequence)) * 100

def process_fasta(file_path):
    current_id = None
    current_sequence = []
    gc_results = {}
    
    with open(file_path, 'r') as fasta_file:
        for line in fasta_file:
            stripped_line = line.strip()
            # 跳过空行
            if not stripped_line:
                continue
            # 识别序列ID行（以>开头）
            if stripped_line.startswith('>'):
                # 如果已有未处理的序列，先计算它的GC含量
                if current_id is not None:
                    full_sequence = ''.join(current_sequence)
                    gc_results[current_id] = calculate_gc_content(full_sequence)
                # 更新当前序列ID，清空序列存储列表
                current_id = stripped_line[1:]  # 去掉开头的>符号
                current_sequence = []
            else:
                # 拼接多行的序列内容
                current_sequence.append(stripped_line)
        # 处理最后一个序列（文件末尾没有新的>行触发计算）
        if current_id is not None:
            full_sequence = ''.join(current_sequence)
            gc_results[current_id] = calculate_gc_content(full_sequence)
    
    # 找出GC含量最高的记录并格式化输出
    max_record_id = max(gc_results, key=gc_results.get)
    max_gc_value = gc_results[max_record_id]
    print(f"{max_record_id} {max_gc_value:.6f}")

# 替换为你的FASTA文件路径
process_fasta('Rosalind_gc.txt')

使用Biopython的实现 #

Biopython是生物信息学领域的常用库，它的SeqIO模块可以自动处理FASTA文件的格式解析，省去手动拆分记录和拼接序列的麻烦，代码更简洁易读。

首先需要安装Biopython：

pip install biopython

然后是实现代码：

from Bio import SeqIO

def calculate_gc_content(sequence):
    """计算单个DNA序列的GC含量百分比"""
    gc_count = sequence.count('G') + sequence.count('C')
    return (gc_count / len(sequence)) * 100

def process_fasta_with_biopython(file_path):
    gc_results = {}
    # SeqIO.parse会自动迭代读取每个FASTA记录
    for record in SeqIO.parse(file_path, 'fasta'):
        # 将Seq对象转为字符串后计算GC含量
        gc_content = calculate_gc_content(str(record.seq))
        gc_results[record.id] = gc_content
    
    # 找出并输出GC含量最高的记录
    max_record_id = max(gc_results, key=gc_results.get)
    max_gc_value = gc_results[max_record_id]
    print(f"{max_record_id} {max_gc_value:.6f}")

# 替换为你的FASTA文件路径
process_fasta_with_biopython('Rosalind_gc.txt')

测试示例数据 #

用你提供的示例FASTA数据运行代码，两种方案都会输出：

Rosalind_0808 60.919540

内容的提问来源于stack exchange，提问作者Thomas William Dunn