silva、greengenes、rdp三大数据库的序列探索统计

最近对16s的三大数据库的序列的具体序列情况挺好奇的,决定统计一下各个序列的长度分布情况,以及这些序列具体分布在哪几个V区,有助于我解决后面16So数据的问题。还是用上我三脚猫的功夫,开始今天 的探索,没有人探索的事情,还是挺开心的。

1.统计序列长度分布情况

#获得长度列表文件
length_list = []
with open('current_Bacteria_unaligned.fa') as f:
    flag = 0
    length = 0
    for line in f:
        if line.startswith('>'):
            flag = 1
            if length != 0:
                #print(length)
                length_list.append(length)
                #break
                length = 0
            else:
                length = 0
        elif flag == 1:
            length +=len(line)

fout =  open('length_table.txt', 'w')
for a in length_list:
    fout.write(str(a) + '\n')
fout.close()
#统计长度区间分布
length_150 = 0
length_300 = 0
length_600 = 0
length_1300 = 0
length_1300_ = 0
with open('length_table.txt') as f:
    for line in f:
        if 0 < int(line.strip()) <= 150:
            length_150 += 1
        elif 150 < int(line.strip()) <= 300:
            length_300 += 1
        elif 300 < int(line.strip()) <= 600:
            length_600 += 1
        elif 600 < int(line.strip()) <= 1300:
            length_1300 += 1
        elif int(line.strip()) > 1300:
            length_1300_ += 1
print('150以内:', length_150,'\n',
 '150-300:', length_300, '\n',
  '300-600:', length_600, '\n', 
  '600-1300:', length_1300,'\n', 
  '1300-:', length_1300_)
#最后结果
150以内: 0 
 150-300: 0 
 300-600: 617,554 
 600-1300: 1,063,377 
 1300-: 1,515,109

我也可视化一下:

更正一下,这里用的是RDP数据库,之前由于Silva数据库用的是不兼容的14级分类系统而没采用。

从图中可以看出,大部分序列还是集中在600以上。

接着是greengenes数据库,这个数据库虽然序列较少,但是长度大部分集中在1300+,质量较高,就是好久没更新过了。
150以内: 0
150-300: 0
300-600: 0
600-1300: 895
1300-: 1262090

2.统计V区分布情况

从一个公众号得到的一张分布图是这样的,

我想确定的是序列都包含在哪个或者哪两个区。花了好大有力气,才把代码理好,效率应该还是比较低的,但是,对于我来说

import re

dic ={}
v1f = re.compile('GGATCCAGACTTTGATYMTGGCTCAG', re.I)
v3f = re.compile('CCTA[CT]GGG[AG][GTC]GCA[CG]CAG', re.I)
v4f = re.compile('GTG[CT]CAGC[AC]GCCGCGGTAA', re.I)
v4r = re.compile('ATTAGA[AT]ACCC[CTG][ATGC]GTAGTCC', re.I)
v6f = re.compile('AACGCGAAGAACCTTAC', re.I)
v8f = re.compile('CGTCATCC[AC]CACCTTCCTC', re.I)
vr = re.compile('AAGTCGTAACAAGGTA[AG]CCGTA', re.I)
#v4r = re.compile('GGACTAC[ATGC][ACG]GGGT[AT]TCTAAT', re.I)
vf = re.compile('AG[AG]GTT[CT]GAT[CT][AC]TGGCTCAG', re.I)
#vr = re.compile('GACGGGCGGTG[AT]GT[AG]CA', re.I)
#seq_list = []

def decide_which_zone(f1, f3, f4, f4r, f6, f8, f, fr):
    type = [f1, f3, f4, f4r, f6, f8, f, fr]
    type_str = ['f1', 'f3', 'f4', 'f4r', 'f6', 'f8', 'f', 'fr']
    type_name = []
    for i in range(len(type)):
        #print(type[i])
        if type[i] != None :
            type_name.append(type_str[i])
        else:
            continue
        if i + 1 < len(type):
            if type[i + 1] != None and type_str[i + 1] not in type_str:
                type_name.append(type_str[i + 1])
        else:
            continue
        if i + 2 < len(type):
            if type[i + 2] != None and type_str[i + 2] not in type_str:
                type_name.append(type_str[i + 2])
        else:
            continue
        if  i + 3 < len(type):
            if type[i + 3] != None and type_str[i + 3] not in type_str:
                type_name.append(type_str[i + 3])
        else:
            continue
        if  i + 4 < len(type):
            if type[i + 4] != None and type_str[i + 4] not in type_str:
                type_name.append(type_str[i + 4])
        else:
            continue
        if  i + 5 < len(type):
            if type[i + 5] != None and type_str[i +5 ] not in type_str:
                type_name.append(type_str[i + 5])
        else:
            continue
        if  i + 6 < len(type):
            if type[i + 6] != None and type_str[i + 6] not in type_str:
                type_name.append(type_str[i + 6])
        else:
            continue
        if  i + 7 < len(type):
            if type[i + 7] != None and type_str[i + 7] not in type_str:
                type_name.append(type_str[i + 7])
        else:
            continue
    return type_name

with open('current_Bacteria_unaligned.fa') as f:
    li = ['f1', 'f3', 'f4', 'f4r', 'f6', 'f8', 'f', 'fr']
    for i in range(len(li)):
        for j in range(len(li)):
            if i <= j:
                dic[li[i] + li[j]] = 0

    #print(dic)
    flag = 0
    seq = ''
    #i = 0
    for line in f:
        if line.startswith('>'):# and i <=2:
            flag = 1
            if seq != '':
                #print(seq)
                f1 = v1f.search(seq)
                f4r = v4r.search(seq)
                f3 = v3f.search(seq)
                f4 = v4f.search(seq)
                f6 = v6f.search(seq)
                f8 = v8f.search(seq)
                f = vf.search(seq)
                fr = vr.search(seq)
                #seq_list.append(length)
                type_name = []
                type_name = decide_which_zone(f1, f3, f4, f4r, f6, f8, f, fr)
                print(type_name)
                if type_name != []:
                    type_key = type_name[0] + type_name[-1]
                    dic[type_key] += 1
                #i += 1
                #break
                seq = ''
                flag = 0
            else:
                seq = ''
        elif flag == 1:
            seq += line.strip()
print(dic)
#运行结果
{'f1f1': 0, 'f1f3': 0, 'f1f4': 1, 'f1f4r': 0, 'f1f6': 0, 'f1f8': 0, 'f1f': 0, 'f1fr': 0, 'f3f3': 120867, 'f3f4': 143686, 'f3f4r': 356027, 'f3f6': 400108, 'f3f8': 4, 'f3f': 171637, 'f3fr': 53716, 'f4f4': 17211, 'f4f4r': 71719, 'f4f6': 40223, 'f4f8': 4, 'f4f': 13185, 'f4fr': 3646, 'f4rf4r': 39537, 'f4rf6': 45160, 'f4rf8': 0, 'f4rf': 977, 'f4rfr': 4263, 'f6f6': 43983, 'f6f8': 0, 'f6f': 64, 'f6fr': 2300, 'f8f8': 0, 'f8f': 0, 'f8fr': 0, 'ff': 1670, 'ffr': 26, 'frfr': 3678}

上图依然是RDP数据库,前面标错了。应该是某个地方出了问题,序列不全,少了估计有一半。不过趋势还是比较明显的,V3-V4是最多的,这也是前些年主流的研究的测序方式。

发表评论

电子邮件地址不会被公开。 必填项已用*标注