Python處理GFF文件

本文將介紹如何使用Python處理GFF文件，包括提取基因信息、統計注釋類型、篩選出某一特定區域等操作。

一、提取基因信息

在GFF文件中，每一行記錄一條注釋信息，有時需要從中提取出某一具體基因的相關信息。代碼如下：

<![CDATA[import csv

# 打開GFF文件
with open('example.gff', 'r') as f:
    # 定義CSV寫入對象
    writer = csv.writer(open('output.csv', 'w'))

    # 逐行讀取GFF文件
    for line in f:
        if line.startswith('#'):     # 注釋信息
            continue
        else:
            row = line.strip().split('\t')

            # 提取基因信息
            if row[2] == 'gene':
                chromo = row[0]
                start = row[3]
                end = row[4]
                name = ''
                for field in row[8].split(';'):
                    if field.startswith('gene='):
                        name = field.split('=')[1]
                        break
                writer.writerow([chromo, start, end, name])]]>

該代碼將基因的染色體號、起始位置、結束位置和基因名稱寫入CSV文件中，可根據實際需求進行修改。

二、統計注釋類型

在GFF文件中，注釋類型（第三列）種類很多，有時需要對這些類型進行統計，以了解數據的分布情況。代碼如下：

<![CDATA[import collections

# 打開GFF文件
with open('example.gff', 'r') as f:
    types = []

    # 逐行讀取GFF文件
    for line in f:
        if line.startswith('#'):     # 注釋信息
            continue
        else:
            row = line.strip().split('\t')
            types.append(row[2])

    # 統計注釋類型出現的次數
    counter = collections.Counter(types)
    print(counter)]]>

該代碼將輸出一個字典，包含各個注釋類型所出現的次數。

三、篩選出某一特定區域

在GFF文件中，有時需要篩選出某一特定區域的注釋信息。以下代碼實現了根據基因名稱和覆蓋區域進行篩選的功能：

<![CDATA[import csv

# 打開GFF文件
with open('example.gff', 'r') as f:
    # 定義CSV寫入對象
    writer = csv.writer(open('output.csv', 'w'))

    # 逐行讀取GFF文件
    for line in f:
        if line.startswith('#'):     # 注釋信息
            continue
        else:
            row = line.strip().split('\t')

            # 篩選出指定基因
            if row[2] == 'gene' and row[8].find('gene=MYC') >= 0:
                chromo = row[0]
                start_gene = int(row[3])
                end_gene = int(row[4])

                # 篩選出指定區域
                if chromo == 'chr1' and start_gene < 1000000 and end_gene > 500000:
                    writer.writerow(row)]]>

該代碼將篩選出染色體號為chr1，且基因覆蓋區域包含在[500000, 1000000]之間的基因注釋信息，并寫入CSV文件中。