Biopython之gbff转gff格式 2020-04-27

先安装Biopython，见前篇随笔

再安装 bcbio-gff

pip install bcbio-gff

Google是法宝，直接搜索 UnicodeDecodeError: 'utf-8' codec can't decode byte 0x8b in position 1: invalid start byte ，得到如下解，见 stackoverflow

修改新的对应文件名后再运行脚本

python gbff2gff3.py

于是得到以下

替换方法： https://github.com/jorvis/biocode/blob/master/gff/convert_genbank_to_gff3.py

总结：转换后并不能得到直接可用的完整注释文件，建议直接搜索已有的注释文件

进入NCBI主页，选择Nucleotide数据库

在Nucleotide数据库的检索框中输入甘油醛-3-磷酸脱氢酶基因的基因名（GAPDH）或者基因的GenBank号：X02662.1。点击搜索。在右边Top Organisms中选择物种来源，点More可以显示更多隐藏选项

选择所需要的物种信息

GenBank会根据设定的检索条件得出相应结果，选择所需要的序列

点击相应序列打开详序列的细信息，默认为GBFF(GenBank Flat File)格式文件。主要包括以下三部分组成：第一部分：描述符，其中包含了关于整个记录的信息；第二部分：特征表，包含了注释这一记录的特性；第三部分：核酸序列本身；在最后一行以“// ”结尾

在这里也可以选择FASTA格式。

FASTA格式又称Pearson 格式

特点：最常用、最简单的序列注释格式

命名规则：

1、以大于号“>"起始

2、 标题行(a single-line description) 位于文件的第一行

3、 序列行随后，序列行中不允许有空间，每行文字不超 过80个字符

4、组成序列信息字符串的符号应为IUB/IUPAC（International Union Of Pure And Applied Chemistry）核苷酸或氨基酸的符号

5、核苷酸字符大小写均可，氨基酸字符应大写

6、"-"单个连字符表示一个空位 “gap”

7、序列中不允许有数字、不明确的核苷酸用N表示，氨基酸用X表示

8、 氨基酸序列中“*”表示终止

导出序列时点击Send to

在d出的窗口选择文件单选按钮

在下拉框中选择你需要的文件格式

点击创建文件即可开始下载，下载后的文件可以通过任意文本编辑软件打开。由于NCBI上的文件采用的是Unix/Linux文本格式，而Unix系统里，每行结尾只有“<换行>”，即“\n”；但Windows系统里面，每行结尾是“<换行><回车>”，即“\n\r”，在用记事本等软件打开时每行结尾有一个黑方框，这里只需用兼容Unix/Linux文本格式的编辑器打开即可

被朋友安利一个专门用于处理生物信息学的工具箱“Biopython”，别人用python开发的小工具直接拿来用用也是很省时省力的，好吧，学生信就从“调包侠”开始做起吧！

因为刚好有“需求”：用biopython的bcbio-gff来实现gbff文件转gff，所以就拿这个小功能来试一下biopython。

方法参考： https://www.jianshu.com/p/152efcfabf0f?from=singlemessage

那么，先从biopython的安装开始吧

官网： https://biopython.org/

Tutorial： http://biopython.org/DIST/docs/tutorial/Tutorial.html#sec5

GitHub： https://github.com/biopython/biopython

中文说明书： https://biopython-cn.readthedocs.io/zh_CN/latest/cn/chr01.html

最简单的安装方式就是用pip：

如果需要更新版本的话：

安装新版本之前如果卸载旧版本或者卸载biopython：

Biopython不同版本适用于不同的python版本，Biopython 1.68 was our final release to support Python 2.6, while Biopython 1.76 was our final release to support Python 2.7 and Python 3.5。biopython以前的版本在 pypi 里面有，或者 官网 ，因此，如果要在特定的python版本里安装biopython就要用：

一般来说需要进行按照附带的README文件从源开始安装，以确保安装的没有问题。事实上也可以跳过build和test，直接install。

查看biopython版本，进入python3，然后：

这里需要用到biopython里的工具SeqIO（序列的输入和输出），

先安装bcbio-gff：

然后写一个调用工具python小脚本gbff2gff.py，参考 Parsing GFF Files · Biopython ：

例如运行：

就完成了一个小练习。

引用原文链接： https://www.jianshu.com/p/152efcfabf0f?from=singlemessage

---