计算基因组外显子长度

 

下载基因组外显子信心

网站 ftp://ftp.ncbi.nlm.nih.gov/pub/CCDS/current_human/

wget ftp://ftp.ncbi.nlm.nih.gov/pub/CCDS/current_human/CCDS.current.txt

运行下列代码 得到外显子大约36M

import re

import os

from collections import OrderedDict

from operator import itemgetter

 

os.chdir('/Users/yangqin/Desktop/biotree/python/')

 

exonLength = 0 # 外显子长度尚未计算

overlapExons = OrderedDict()

with open('CCDS.current.txt', 'rt') as f: # 把CCCDS.current.txt打开定义为f

    for line in f: # 逐行读取f

        if line.startswith('#'): # 如果该行以井号开头，该行为表头

            continue # 跳过该行

        line = line.rstrip()  # 把右边的空格去掉，_.rstrip()把右边的空格去掉

        lst = line.split('\t') # 用split分开该行的各列数据，以\t分隔

        if lst[-2] == '-': # 如果倒数第二列是‘-’，没有外显子

            continue # 跳过该行

        lst[-2] = re.sub('\[|\]', ' ', lst[-2]) # 正则表达式，去掉倒数第二列两端的[]，换成空格

        exons = lst[-2].split(', ') # 把该列（每个基因）多个外显子隔开

        for exon in exons:  # 对于每一个外显子

            start = int(exon.split('-')[0]) # 拿到该外显子的起始坐标

            end = int(exon.split('-')[1]) # 拿到该外显子的终止坐标

            coordinate = lst[0] + ':' + exon # 定义每一个外显子，以防重复计算

            if coordinate not in overlapExons.keys(): # 如果该外显子尚未计算

                overlapExons[coordinate] = 1 # 加入该外显子

                exonLength += end - start # 计算长度

             

print(exonLength)

 

36061455