统计FASTA文件中与用户指定引物对首尾匹配的序列数量

这里有一个用基础Python实现的解决方案，不需要额外安装复杂工具，就能帮你完成需求：统计FASTA文件中以对应引物对的第一条开头、第二条结尾的序列数量。

实现思路 #

1. 先读取primers.txt，把每行的上下游引物存为成对的元组；
2. 读取test.fas，提取每条序列的ID和完整序列内容（处理FASTA可能的多行序列）；
3. 对每条序列逐一检查是否匹配任意一对引物的开头和结尾，统计符合条件的总数。

完整代码 #

def load_primers(primer_file):
    primers = []
    with open(primer_file, 'r') as f:
        for line in f:
            line = line.strip()
            if not line:
                continue
            # 按制表符分割上下游引物
            forward, reverse = line.split('\t')
            primers.append((forward, reverse))
    return primers

def load_fasta(fasta_file):
    sequences = []
    current_seq = None
    with open(fasta_file, 'r') as f:
        for line in f:
            line = line.strip()
            if not line:
                continue
            if line.startswith('>'):
                # 保存上一条序列（如果存在）
                if current_seq is not None:
                    sequences.append(current_seq)
                # 提取序列ID
                seq_id = line[1:]
                current_seq = (seq_id, '')
            else:
                # 拼接多行序列
                current_seq = (current_seq[0], current_seq[1] + line)
        # 处理最后一条序列
        if current_seq is not None:
            sequences.append(current_seq)
    return sequences

def count_matching_sequences(fasta_file, primer_file):
    primers = load_primers(primer_file)
    sequences = load_fasta(fasta_file)
    match_count = 0
    matched_sequence_ids = []
    
    for seq_id, seq in sequences:
        for forward, reverse in primers:
            # 检查序列是否以上游引物开头、下游引物结尾
            if seq.startswith(forward) and seq.endswith(reverse):
                match_count += 1
                matched_sequence_ids.append(seq_id)
                # 匹配到一对就停止检查其他引物对
                break
    
    return match_count, matched_sequence_ids

# 运行示例
if __name__ == '__main__':
    # 替换成你的文件路径
    fasta_path = "test.fas"
    primer_path = "primers.txt"
    
    total_matches, matched_ids = count_matching_sequences(fasta_path, primer_path)
    print(f"符合条件的序列总数：{total_matches}")
    print("匹配的序列ID：", matched_ids)

代码说明 #

• load_primers：处理引物文件，自动跳过空行，把每行的上下游引物拆分成元组存储；
• load_fasta：正确读取FASTA格式，处理跨多行的序列，返回（序列ID，完整序列）的列表；
• count_matching_sequences：核心逻辑，遍历所有序列和引物对，严格匹配开头和结尾，统计结果。

测试你的数据 #

用你提供的测试文件运行代码，会得到：

符合条件的序列总数：2
匹配的序列ID： ['test1', 'test2']

因为test1完全匹配第一对引物的开头和结尾，test2匹配第二对，test3长度不够不匹配。

额外注意事项 #

• 大小写敏感：如果你的FASTA序列有小写字母，记得在检查前统一转成大写，比如在load_fasta里把序列改成seq.upper()，引物也可以转成大写；
• 反向互补引物：如果你的下游引物是实验用的反向引物（需要互补才能匹配序列结尾），可以添加一个反向互补函数：

def reverse_complement(seq):
    complement_map = {'A':'T', 'T':'A', 'C':'G', 'G':'C', 'N':'N'}
    return ''.join([complement_map[base] for base in reversed(seq)])

然后检查时用seq.endswith(reverse_complement(reverse))即可。

内容的提问来源于stack exchange，提问作者user1774225