循环拼接FASTA文件：缺失物种补全空缺序列的实现问题

我帮你梳理下代码里的问题，然后给出修复后的版本：

原代码的核心问题 #

• 字典键未初始化：concat字典一开始是空的，直接用concat[i] += ...会报错，因为对应物种的键还不存在，没法直接追加字符串。
• gap变量未全局定义：只有当物种在当前文件存在时才会给gap赋值，如果某个物种不在当前文件里，执行'-'*gap时会因为gap未定义抛出错误。
• 使用内置关键字当变量名：dict是Python的内置类型，用它当变量名会覆盖内置功能，容易出问题。
• 过时的文件打开模式：rU是Python 2的写法，Python 3里已经默认支持通用换行符，用r模式就够了。

修复后的完整代码 #

from Bio import SeqIO
import glob

# 收集所有出现过的物种
species_list = []
files = [file for file in glob.glob('~/*.fa')]

for aln in files:
    with open(aln, 'r') as multispecies:
        sequences = SeqIO.parse(multispecies, 'fasta')
        for species in sequences:
            species_list.append(species.id)

# 去重并保留物种首次出现的顺序（不需要顺序的话用set也可）
species_list = list(dict.fromkeys(species_list))

# 初始化拼接字典，给每个物种分配空字符串初始值
concat = {species: "" for species in species_list}

for aln in files:
    seq_dict = {}
    current_seq_length = 0  # 存储当前比对文件的序列长度
    with open(aln, 'r') as multispecies:
        sequences = SeqIO.parse(multispecies, 'fasta')
        for fasta in sequences:
            seq_dict[fasta.id] = str(fasta.seq)
            current_seq_length = len(fasta.seq)  # 所有序列等长，取第一个的长度即可
    
    # 遍历所有物种，拼接对应序列或等长空缺符
    for species in species_list:
        if species in seq_dict:
            concat[species] += seq_dict[species]
        else:
            concat[species] += '-' * current_seq_length

# 输出最终拼接结果
for species, full_seq in concat.items():
    print(f'>{species}')
    print(full_seq)

关键修改点说明 #

• 初始化concat字典：用字典推导式提前给每个物种创建空字符串值，确保后续可以安全地用+=追加内容。
• 固定当前文件的序列长度：题目明确所有序列等长，读取第一个序列时就记录长度，不管物种是否存在，都用这个长度生成空缺符。
• 替换冲突变量名：把dict改成seq_dict，避免和Python内置类型冲突。
• 优化物种去重逻辑：用dict.fromkeys代替set，保留物种第一次出现的顺序（如果不需要顺序，用set也完全没问题）。
• 统一序列格式：把fasta.seq转成字符串，避免BioPython的Seq对象可能带来的拼接异常。

这样修改后，代码就能正常循环处理每个FASTA文件，给每个物种拼接对应的序列或者等长的空缺符了。

内容的提问来源于stack exchange，提问作者gusa10