第2章快速开始 —— 你能用Biopython做什么？¶

此部分旨在能让你快速开始Biopython，并给你一个大概的了解什么可用以及如何使用它。此部分的所有例子都会假设你有Python的基础知识，并且前提是你已经在你系统上安装了Biopython。如果你认为你需要认真复习Python，主流的Python网站提供了相当多的免费文档，你可以从以下网站开始(http://www.python.org/doc/)。

由于计算机上大量的生物学工作涉及到网上的数据库，某些例子也会需要联网才能完成。

让我们看看我们能用Biopython做什么吧。

2.1 Biopython功能概览¶

正如介绍中提到的，Biopython是一个库的集合，这个库能在计算机上工作的生物学家解决感兴趣的事情。一般来说，你至少需要一点编程经验（当然是Python！）或至少有兴趣学习编程。Biopython的任务就是通过提供可重复利用的库，让编程人员的工作变得更加容易，可以使你能集中精力解决你所感兴趣的问题，而不用花太多精力去完成一个解析特殊文件格式的构件（当然，如果你想帮我们写一个原本不存在的解析器并把它贡献给Biopython，请继续！）。所以Biopython的工作是让你更加轻松！

值得一提的是，Biopython通常能给出多种方式来解决“相同的事情”。在最近的版本中，情况有所改善，但这仍可让人沮丧，因为在理想的Python中应该只有一种正确的方式去解决问题。但是，这也可以成为一个真正的好处，因为它给了你很多灵活性和对库的控制。本教程给你展示普通的或简单的方式去处理问题以便于你能自己处理事情。想要学习更多替代的方法，请查看Cookbook（第 18 章, 这里有一些很酷的技巧和提示），进阶部分(第 20 章)，内建“文档”（通过Python help命令），或者 API 文档 ) 或者代码本身。

2.2 处理序列¶

生物信息学的中心对象是序列。因此，我们先快速开始介绍一下Biopython处理序列的机制，主要是 Seq 对象，这个我们也将会在第 3 章中详细讨论。

大多数时候当我们想到一条序列时，在我们脑海中都会有一串类似于‘AGTACACTGGT’的字母串。你可以按以下步骤创建一个 Seq 对象——“>>>”表示Python提示符后紧跟你要输入的内容：

>>> from Bio.Seq import Seq
>>> my_seq = Seq("AGTACACTGGT")
>>> my_seq
Seq('AGTACACTGGT')
>>> print(my_seq)
AGTACACTGGT

Seq 对象支持不同于Python的字符串方法。你不能对一个纯字符串做以下处理：

>>> my_seq
Seq('AGTACACTGGT')
>>> my_seq.complement()
Seq('TCATGTGACCA')
>>> my_seq.reverse_complement()
Seq('ACCAGTGTACT')

另一个最重要的类是 SeqRecord 或Sequence Record。它保留了一条序列（作为 Seq 对象）额外的注释信息，包括ID，name和description。用于读写序列文件格式的 Bio.SeqIO 模块能与 SeqRecord 对象一起工作，稍后我们将会介绍，详细内容在第 5 章。

这涵盖了基本的功能和Biopython序列类的使用。现在你应该有一些想法像怎么和Biopython库互动，是时候去钻研它的乐趣，探讨处理生物学文件格式的有趣世界了！

2.3 用法示例¶

在我们跳到语法解析器和Biopython处理的其他所有事之前，让我们先建立一个例子来激励我们所做的事情并让生活变得更加有趣。毕竟，如果没有任何生物学在这篇教程里，那你为什么还要读它呢？

因为我喜欢植物，我想我们就来一个基于植物的例子吧（对其他生物的爱好者对不起了！）。刚刚结束了我们当地的一个温室的旅程，我们对Lady Slipper Orchids突然有一个难以置信的迷恋（如果你想知道为什么，请看看一些 Lady Slipper Orchids的照片，并试试 Google图片搜索）。

当然，兰花不仅仅只有外观好看，它们也极力吸引着人们研究其进化和系统分类学。假设我们正在考虑写一份关于Lady Slipper Orchids进化研究的基金方案，我们就会想看看别人已经做了什么样的研究，然后我们能够增加一些什么内容。

经过一些阅读之后，我们发现Lady Slipper Orchids属于兰科拖鞋兰亚科并且由5个属组成：Cypripedium，Paphiopedilum，Phragmipedium，Selenipedium 和 Mexipedium。

这已经给了我们足够多的信息来探究更多的东西。现在，让我们看看Biopython工具能起到怎样的作用。我们从一条从 2.4 部分解析出来的序列开始，但是我们稍后还是回到兰花上来——比如我们将在PubMed上搜索有关兰花的文章然后在GenBank上提取序列（第 9 章），从Swiss-Prot上提取特定的兰花蛋白数据（第 10 章），最后在 6.4.1 部分我们用ClustalW对兰花蛋白进行多序列比对。

2.4 解析序列文件格式¶

很多生物信息学工作的一大部分都会涉及到处理各种包含有生物学数据的文件格式类型。这些文件保存了有趣的生物学数据，因而一个特殊的挑战是需要将这些文件解析成你能使用某种编程语言操作的格式。然而这些解析工作有时会让人感到失望，因为这些格式有可能经常改变，而一个细微的改变也有可能让设计得最好的解析器失去作用。

我们现在开始简单地介绍 Bio.SeqIO 模块——你可以在第 5 章中查看更多。我们从在线搜索我们的朋友——Lady Slipper Orchids——开始。为尽量保持简单，我们仅仅手动使用NCBI网站。我们先看看NCBI上的nucleotide库，使用在线的Entrez搜索 ( http://www.ncbi.nlm.nih.gov:80/entrez/query.fcgi?db=Nucleotide ) 包含Cypripedioideae所有东西（这是Lady Slipper Orchids的亚科）。

当本教程最初编写时，这个搜索仅给我们找到了94条匹配的信息，我们将结果保存为FASTA格式文本文件和 GenBank格式文本文件（文件 ls_orchid.fasta 和 ls_orchid.gbk，也包含在Biopython源代码包下 docs/tutorial/examples/ ）。

如果你现在搜索，你将会获得几百个的匹配结果！跟着教程，如果你想要看看相同的基因列表，请下载上面两个文件或者从Biopython源代码中拷贝 docs/examples/ 。在 2.5 部分我们将会看到怎样使用Python做类似的搜索。

2.4.1 简单的FASTA解析示例¶

如果你用你喜好的文本编辑器打开了lady slipper orchids的FASTA文件 ls_orchid.fasta，你会看到文件开头像这样：

>gi|2765658|emb|Z78533.1|CIZ78533 C.irapeanum 5.8S rRNA gene and ITS1 and ITS2 DNA
CGTAACAAGGTTTCCGTAGGTGAACCTGCGGAAGGATCATTGATGAGACCGTGGAATAAACGATCGAGTG
AATCCGGAGGACCGGTGTACTCAGCTCACCGGGGGCATTGCTCCCGTGGTGACCCTGATTTGTTGTTGGG
...

它包含有94条记录，每一行都以“>”开头，（大于号）紧随其后的是一行或多行序列。现在试试以下Python代码：

from Bio import SeqIO
for seq_record in SeqIO.parse("ls_orchid.fasta", "fasta"):
    print(seq_record.id)
    print(repr(seq_record.seq))
    print(len(seq_record))

你应该会得到类似这样的一些东西出现在屏幕上：

gi|2765658|emb|Z78533.1|CIZ78533
Seq('CGTAACAAGGTTTCCGTAGGTGAACCTGCGGAAGGATCATTGATGAGACCGTGG...CGC')
740
...
gi|2765564|emb|Z78439.1|PBZ78439
Seq('CATTGTTGAGATCACATAATAATTGATCGAGTTAATCTGGAGGATCTGTTTACT...GCC')
592

2.4.2 简单的GenBank解析示例¶

现在我们来加载一个GenBank文件 ls_orchid.gbk ——注意这里的代码与上面处理FASTA文件的代码几乎完全相同——仅有的不同之处是我们改变了文件名和格式的字符串：

from Bio import SeqIO
for seq_record in SeqIO.parse("ls_orchid.gbk", "genbank"):
    print(eq_record.id)
    print(repr(seq_record.seq))
    print(len(seq_record))

这段代码应该会给出：

Z78533.1
Seq('CGTAACAAGGTTTCCGTAGGTGAACCTGCGGAAGGATCATTGATGAGACCGTGG...CGC')
740
...
Z78439.1
Seq('CATTGTTGAGATCACATAATAATTGATCGAGTTAATCTGGAGGATCTGTTTACT...GCC')
592

你应该注意到了这个例子中有一个较短的字符串被作为 seq_record.id 。

2.4.3 我爱解析——请别停止讨论它！¶

Biopython有很多的解析器，基于它们所解析的文件格式，每一个都有自己独特的作用。第 5 章包含 Bio.SeqIO 更详细的内容，而第 6 章将介绍用于序列比对的 Bio.AlignIO 。

由于最主流的文件格式都有解析器整合在 Bio.SeqIO 和/或 Bio.AlignIO 中，对于一些比较罕见的或者不被人们喜爱的文件格式，要么根本就没有解析器，要么就是一些没有链接的老的解析器。请到wiki页面 http://biopython.org/wiki/SeqIO 以及 http://biopython.org/wiki/AlignIO 查看最新信息，或者咨询邮件列表。wiki页面上应该包含了支持文件类型的最新列表，还有一些附加的例子。

另一个查找特定解析器信息和如何很酷的使用它们的地方就是Cookbook（本教程的第 18 章）。如果你没有找到你要的信息，请考虑及时帮帮你那可怜的过劳的文档，并提交一份cookbook entry！（一旦你知道怎么做了，那就是了！）

2.5 连接生物学数据库¶

在生物信息学中你需要做的很普遍的事情之一是从生物学数据库中提取信息。手动访问这些数据库可能会非常枯燥乏味，尤其是当你有很多重复的工作要做的时候。Biopython试图通过用Python脚本访问一些可用的在线数据库来节省你的时间和精力。目前， Biopython有从以下数据库中获取信息的代码：

NCBI的 Entrez （和 PubMed） ——见第 9 章。
ExPASy ——见第 10 章。
SCOP——见 Bio.SCOP.search() 方法。

使用模块里的代码基本上可以容易地写出与这些页面中CGI脚本交互的Python代码，因此你能很方便地获得想要的结果。在某些情况下，结果能很好地整合到Biopython解析器中从而使得提取信息更加简单。

2.6 下一步做什么¶

现在你已经做到这一步，你应该对基本的Biopython有一个很好的了解，并准备好开始用它完成一些有用的工作。现在最好先完成阅读本教程，然后如果你可能会想看看源码以及文档。

一旦你知道你想做什么，以及Biopython能完成它的库，你应该看看Cookbook（第 18 章），在这里可能会有一些类似你工作的示例代码。

如果你知道你想要做什么，但是还没弄明白怎么去做，请随时将你的问题贴出到主要的Biopython列表中（见 http://biopython.org/wiki/Mailing_lists）。这不仅方便我们回答你的问题，也有助于我们改进文档以便于它能帮到下一个和你做同样工作的人。

请享受代码吧！

第2章 快速开始 —— 你能用Biopython做什么？¶