Biopython生物信息学Python技能Skill biopython

---

名称: biopython 描述: “主要的Python分子生物学工具包。首选用于基于Python的PubMed/NCBI查询(Bio.Entrez)、序列操作、文件解析(FASTA、GenBank、FASTQ、PDB)、高级BLAST工作流、结构分析、系统发育学。对于快速BLAST，使用gget。对于直接REST API，使用pubmed-database。”

Biopython: Python中的计算分子生物学

概述

Biopython是一套免费的Python工具，用于生物计算。它提供序列操作、文件输入输出、数据库访问、结构生物信息学、系统发育学以及其他许多生物信息学任务的功能。当前版本为Biopython 1.85（发布于2025年1月），支持Python 3并需要NumPy。

何时使用此技能

使用此技能当：

• 处理生物序列（DNA、RNA或蛋白质）
• 读取、写入或转换生物文件格式（FASTA、GenBank、FASTQ、PDB、mmCIF等）
• 通过Entrez访问NCBI数据库（GenBank、PubMed、Protein、Gene等）
• 运行BLAST搜索或解析BLAST结果
• 执行序列比对（成对或多序列比对）
• 从PDB文件分析蛋白质结构
• 创建、操作或可视化系统发育树
• 查找序列模式或分析模式模式
• 计算序列统计（GC含量、分子量、熔解温度等）
• 执行结构生物信息学任务
• 处理群体遗传学数据
• 任何其他计算分子生物学任务

核心能力

Biopython组织成模块化子包，每个针对特定生物信息学领域：

1. 序列处理 - Bio.Seq和Bio.SeqIO用于序列操作和文件输入输出
2. 比对分析 - Bio.Align和Bio.AlignIO用于成对和多序列比对
3. 数据库访问 - Bio.Entrez用于程序化访问NCBI数据库
4. BLAST操作 - Bio.Blast用于运行和解析BLAST搜索
5. 结构生物信息学 - Bio.PDB用于处理3D蛋白质结构
6. 系统发育学 - Bio.Phylo用于系统发育树操作和可视化
7. 高级功能 - 模式、群体遗传学、序列实用工具等

安装与设置

使用pip安装Biopython（需要Python 3和NumPy）：

uv pip install biopython

对于NCBI数据库访问，始终设置电子邮件地址（NCBI要求）：

from Bio import Entrez
Entrez.email = "your.email@example.com"

# 可选：API密钥以获得更高速率限制（10次请求/秒而非3次请求/秒）
Entrez.api_key = "your_api_key_here"

使用此技能

此技能提供按功能领域组织的全面文档。处理任务时，查阅相关参考文档：

1. 序列处理 (Bio.Seq & Bio.SeqIO)

参考: references/sequence_io.md

使用于：

• 创建和操作生物序列
• 读取和写入序列文件（FASTA、GenBank、FASTQ等）
• 在文件格式之间转换
• 从大文件中提取序列
• 序列翻译、转录和反向互补
• 使用SeqRecord对象

快速示例:

from Bio import SeqIO

# 从FASTA文件读取序列
for record in SeqIO.parse("sequences.fasta", "fasta"):
    print(f"{record.id}: {len(record.seq)} bp")

# 将GenBank转换为FASTA
SeqIO.convert("input.gb", "genbank", "output.fasta", "fasta")

2. 比对分析 (Bio.Align & Bio.AlignIO)

参考: references/alignment.md

使用于：

• 成对序列比对（全局和局部）
• 读取和写入多序列比对
• 使用替换矩阵（BLOSUM、PAM）
• 计算比对统计
• 定制比对参数

快速示例:

from Bio import Align

# 成对比对
aligner = Align.PairwiseAligner()
aligner.mode = 'global'
alignments = aligner.align("ACCGGT", "ACGGT")
print(alignments[0])

3. 数据库访问 (Bio.Entrez)

参考: references/databases.md

使用于：

• 搜索NCBI数据库（PubMed、GenBank、Protein、Gene等）
• 下载序列和记录
• 获取出版物信息
• 跨数据库查找相关记录
• 使用适当速率限制进行批量下载

快速示例:

from Bio import Entrez
Entrez.email = "your.email@example.com"

# 搜索PubMed
handle = Entrez.esearch(db="pubmed", term="biopython", retmax=10)
results = Entrez.read(handle)
handle.close()
print(f"Found {results['Count']} results")

4. BLAST操作 (Bio.Blast)

参考: references/blast.md

使用于：

• 通过NCBI Web服务运行BLAST搜索
• 运行本地BLAST搜索
• 解析BLAST XML输出
• 按E值或相似性筛选结果
• 提取命中序列

快速示例:

from Bio.Blast import NCBIWWW, NCBIXML

# 运行BLAST搜索
result_handle = NCBIWWW.qblast("blastn", "nt", "ATCGATCGATCG")
blast_record = NCBIXML.read(result_handle)

# 显示顶部命中
for alignment in blast_record.alignments[:5]:
    print(f"{alignment.title}: E-value={alignment.hsps[0].expect}")

5. 结构生物信息学 (Bio.PDB)

参考: references/structure.md

使用于：

• 解析PDB和mmCIF结构文件
• 导航蛋白质结构层次（SMCRA：结构/模型/链/残基/原子）
• 计算距离、角度和二面角
• 二级结构分配（DSSP）
• 结构叠加和RMSD计算
• 从结构提取序列

快速示例:

from Bio.PDB import PDBParser

# 解析结构
parser = PDBParser(QUIET=True)
structure = parser.get_structure("1crn", "1crn.pdb")

# 计算α碳之间的距离
chain = structure[0]["A"]
distance = chain[10]["CA"] - chain[20]["CA"]
print(f"Distance: {distance:.2f} Å")

6. 系统发育学 (Bio.Phylo)

参考: references/phylogenetics.md

使用于：

• 读取和写入系统发育树（Newick、NEXUS、phyloXML）
• 从距离矩阵或比对构建树
• 树操作（修剪、重新根化、阶梯化）
• 计算系统发育距离
• 创建共识树
• 可视化树

快速示例:

from Bio import Phylo

# 读取和可视化树
tree = Phylo.read("tree.nwk", "newick")
Phylo.draw_ascii(tree)

# 计算距离
distance = tree.distance("Species_A", "Species_B")
print(f"Distance: {distance:.3f}")

7. 高级功能

参考: references/advanced.md

使用于：

• 序列模式 (Bio.motifs) - 查找和分析模式模式
• 群体遗传学 (Bio.PopGen) - GenePop文件、Fst计算、Hardy-Weinberg测试
• 序列实用工具 (Bio.SeqUtils) - GC含量、熔解温度、分子量、蛋白质分析
• 限制性分析 (Bio.Restriction) - 查找限制性酶位点
• 聚类 (Bio.Cluster) - K均值聚类和层次聚类
• 基因组图 (GenomeDiagram) - 可视化基因组特征

快速示例:

from Bio.SeqUtils import gc_fraction, molecular_weight
from Bio.Seq import Seq

seq = Seq("ATCGATCGATCG")
print(f"GC content: {gc_fraction(seq):.2%}")
print(f"Molecular weight: {molecular_weight(seq, seq_type='DNA'):.2f} g/mol")

一般工作流指南

阅读文档

当用户询问特定Biopython任务时：

1. 识别相关模块 基于任务描述
2. 阅读适当的参考文件 使用Read工具
3. 提取相关代码模式 并调整以适应用户特定需求
4. 结合多个模块 当任务需要时

参考文件搜索模式示例：

# 查找特定函数信息
grep -n "SeqIO.parse" references/sequence_io.md

# 查找特定任务示例
grep -n "BLAST" references/blast.md

# 查找特定概念信息
grep -n "alignment" references/alignment.md

编写Biopython代码

遵循以下原则编写Biopython代码：

1. 显式导入模块

   from Bio import SeqIO, Entrez
   from Bio.Seq import Seq
   

2. 设置Entrez电子邮件 当使用NCBI数据库时

   Entrez.email = "your.email@example.com"
   

3. 使用适当的文件格式 - 检查哪种格式最适合任务

   # 常见格式："fasta"、"genbank"、"fastq"、"clustal"、"phylip"
   

4. 正确处理文件 - 使用后关闭句柄或使用上下文管理器

   with open("file.fasta") as handle:
       records = SeqIO.parse(handle, "fasta")
   

5. 使用迭代器处理大文件 - 避免将所有内容加载到内存中

   for record in SeqIO.parse("large_file.fasta", "fasta"):
       # 一次处理一个记录
   

6. 优雅处理错误 - 网络操作和文件解析可能失败

   try:
       handle = Entrez.efetch(db="nucleotide", id=accession)
   except HTTPError as e:
       print(f"Error: {e}")
   

常见模式

模式1: 从GenBank获取序列

from Bio import Entrez, SeqIO

Entrez.email = "your.email@example.com"

# 获取序列
handle = Entrez.efetch(db="nucleotide", id="EU490707", rettype="gb", retmode="text")
record = SeqIO.read(handle, "genbank")
handle.close()

print(f"Description: {record.description}")
print(f"Sequence length: {len(record.seq)}")

模式2: 序列分析管道

from Bio import SeqIO
from Bio.SeqUtils import gc_fraction

for record in SeqIO.parse("sequences.fasta", "fasta"):
    # 计算统计
    gc = gc_fraction(record.seq)
    length = len(record.seq)

    # 查找开放阅读框、翻译等
    protein = record.seq.translate()

    print(f"{record.id}: {length} bp, GC={gc:.2%}")

模式3: BLAST和获取顶部命中

from Bio.Blast import NCBIWWW, NCBIXML
from Bio import Entrez, SeqIO

Entrez.email = "your.email@example.com"

# 运行BLAST
result_handle = NCBIWWW.qblast("blastn", "nt", sequence)
blast_record = NCBIXML.read(result_handle)

# 获取顶部命中号
accessions = [aln.accession for aln in blast_record.alignments[:5]]

# 获取序列
for acc in accessions:
    handle = Entrez.efetch(db="nucleotide", id=acc, rettype="fasta", retmode="text")
    record = SeqIO.read(handle, "fasta")
    handle.close()
    print(f">{record.description}")

模式4: 从序列构建系统发育树

from Bio import AlignIO, Phylo
from Bio.Phylo.TreeConstruction import DistanceCalculator, DistanceTreeConstructor

# 读取比对
alignment = AlignIO.read("alignment.fasta", "fasta")

# 计算距离
calculator = DistanceCalculator("identity")
dm = calculator.get_distance(alignment)

# 构建树
constructor = DistanceTreeConstructor()
tree = constructor.nj(dm)

# 可视化
Phylo.draw_ascii(tree)

最佳实践

1. 始终阅读相关参考文档 在编写代码之前
2. 使用grep搜索参考文件 查找特定函数或示例
3. 验证文件格式 在解析之前
4. 优雅处理缺失数据 - 并非所有记录都有所有字段
5. 缓存下载数据 - 不要重复下载相同序列
6. 尊重NCBI速率限制 - 使用API密钥和适当延迟
7. 先用小数据集测试 再处理大文件
8. 保持Biopython更新 以获得最新功能和错误修复
9. 使用适当的遗传密码表 进行翻译
10. 记录分析参数 以便可重复性

故障排除常见问题

问题: “No handlers could be found for logger ‘Bio.Entrez’”

解决方案: 这只是警告。设置Entrez.email以抑制它。

问题: NCBI返回"HTTP Error 400"

解决方案: 检查ID/编号是否有效且格式正确。

问题: 解析文件时出现"ValueError: EOF"

解决方案: 验证文件格式是否与指定的格式字符串匹配。

问题: 比对失败，提示"sequences are not the same length"

解决方案: 确保在使用AlignIO或MultipleSeqAlignment之前序列已对齐。

问题: BLAST搜索缓慢

解决方案: 对于大规模搜索，使用本地BLAST或缓存结果。

问题: PDB解析器警告

解决方案: 使用PDBParser(QUIET=True)抑制警告，或检查结构质量。

附加资源

• 官方文档: https://biopython.org/docs/latest/
• 教程: https://biopython.org/docs/latest/Tutorial/
• Cookbook: https://biopython.org/docs/latest/Tutorial/ (高级示例)
• GitHub: https://github.com/biopython/biopython
• 邮件列表: biopython@biopython.org

快速参考

在参考文件中定位信息，使用这些搜索模式：

# 搜索特定函数
grep -n "function_name" references/*.md

# 查找特定任务示例
grep -n "example" references/sequence_io.md

# 查找模块的所有出现
grep -n "Bio.Seq" references/*.md

总结

Biopython提供全面的计算分子生物学工具。使用此技能时：

1. 识别任务领域 (序列、比对、数据库、BLAST、结构、系统发育学或高级)
2. 查阅适当的参考文件 在references/目录中
3. 调整代码示例 以适应具体用例
4. 结合多个模块 当需要复杂工作流时
5. 遵循最佳实践 用于文件处理、错误检查和数据管理

模块化参考文档确保为每个主要Biopython能力提供详细、可搜索的信息。