使用Biopython从多份FASTA文件标题提取物种名并写入输出文件

首先，你需要先从FASTA的序列记录中获取完整标题描述，再通过正则精准提取方括号内的物种名称。下面是具体实现步骤：

1. 获取FASTA记录的完整描述 #

当用Biopython的SeqIO.parse()读取FASTA文件时，每个SeqRecord对象的description属性会包含>后面的全部文本内容。比如你的示例FASTA条目：

NP_842573.1 chromosomal replication initiator DnaA [Bacillus anthracis str. Ames]
record.description会直接返回上述完整字符串。

2. 提取方括号内的物种名 #

利用Python的re模块，用正则表达式\[([^\]]+)\]捕获[和]之间的所有内容（不包含方括号本身）。结合你的代码逻辑，修改后的片段如下：

import re
from Bio import SeqIO

# 假设你已在遍历FASTA文件的循环中
for record in SeqIO.parse(FILE, "fasta"):
    # 匹配并提取物种名
    match_result = re.search(r'\[([^\]]+)\]', record.description)
    if match_result:
        species = match_result.group(1)
    else:
        # 处理无物种名的异常情况，设默认值避免报错
        species = "Unknown Species"
    
    # 修改写入代码，加入物种名
    file.write(f'\nY,{str(pY)},{species},{str(FILE)}')

3. 代码说明 #

• re.search()会在描述文本中查找匹配的方括号片段，group(1)返回捕获到的物种名（即方括号内的部分）。
• 增加了异常处理：如果FASTA标题没有符合格式的物种名，会默认填充"Unknown Species"，防止程序崩溃。
• 用f-string格式化输出比传统字符串拼接更简洁易读，你也可以用加号拼接的写法：'\nY,' + str(pY) + ',' + species + ',' + str(FILE)。

修改后你的输出会变成类似：

Y,2.798738459583378,Bacillus anthracis str. Ames,GCF_000014005.1_ASM1400v1_protein.faa

内容的提问来源于stack exchange，提问作者Biomage