來自gff3文件的scikit-bio extract基因組特征

Question

scikit-bio是否有可能從基因組fasta文件中提取存儲在gff3格式文件中的基因組特征？

例：

---

genome.fasta

>sequence1
ATGGAGAGAGAGAGAGAGAGGGGGCAGCATACGCATCGACATACGACATACATCAGATACGACATACTACTACTATGA

---

annotation.gff3

#gff-version 3
sequence1   source  gene    1   78  .   +   .   ID=gene1
sequence1   source  mRNA    1   78  .   +   .   ID=transcript1;parent=gene1
sequence1   source  CDS 1   6   .   +   0   ID=CDS1;parent=transcript1
sequence1   source  CDS 73  78  .   +   0   ID=CDS2;parent=transcript1

---

mRNA特征（轉錄物1）的所需序列將是兩個子CDS特征的連接。 所以在這種情況下，這將是'ATGGAGCTATGA' 。

Answer 1

此功能已添加到scikit-bio，但bioconda中提供的版本尚不支持（2017-12-15）。 gff3的格式文件存在於Github存儲庫中 。

您可以克隆存儲庫並使用以下方式在本地安裝它：

$ git clone https://github.com/biocore/scikit-bio.git
$ cd scikit-bio
$ python setup.py install

按照文件中給出的示例，以下代碼應該起作用：

import io
from skbio.metadata import IntervalMetadata
from skbio.io import read

gff = io.StringIO(open("annotations.gff3", "r").read())
im = read(gff, format='gff3', into=IntervalMetadata, seq_id="sequence1")

print(im)

對我來說，這會引發FormatIdentificationWarning ，但會正確報告條目：

4 interval features
-------------------
Interval(interval_metadata=<140154121000104>, bounds=[(0, 78)], fuzzy=[(False, False)], metadata={'source': 'source', 'type': 'gene', 'score': '.', 'strand': '+', 'ID': 'gene1'})
Interval(interval_metadata=<140154121000104>, bounds=[(0, 78)], fuzzy=[(False, False)], metadata={'source': 'source', 'type': 'mRNA', 'score': '.', 'strand': '+', 'ID': 'transcript1', 'parent': 'gene1'})
Interval(interval_metadata=<140154121000104>, bounds=[(0, 6)], fuzzy=[(False, False)], metadata={'source': 'source', 'type': 'CDS', 'score': '.', 'strand': '+', 'phase': 0, 'ID': 'CDS1', 'parent': 'transcript1'})
Interval(interval_metadata=<140154121000104>, bounds=[(72, 78)], fuzzy=[(False, False)], metadata={'source': 'source', 'type': 'CDS', 'score': '.', 'strand': '+', 'phase': 0, 'ID': 'CDS2', 'parent': 'transcript1'})

在代碼中的示例中，GFF3和FASTA文件在用於讀取函數的輸入字符串中連接。 也許這可以解決這個問題。 此外，我不是100％確定如何使用返回的間隔來提取功能。