Posts Tagged ‘bioinfo’

当你想对一批CDS进行多序列比对时，先进行相应的蛋白质多序列比对，再以蛋白质多序列比对结果作为指导进行核苷酸序列比对，这样得到的结果比直接进行核苷酸序列比对来得好（众所周知了吧）。

根据蛋白质多序列比对结果进行CDS序列比对，可用EMBOSS的tranalign程序实现，要求是CDS序列同蛋白质序列要一一对应。通常，我们准备的数据：Protein和CDS序列，各在一个file里，顺序一一对已。

用经典多序列比对软件ClustalX进行蛋白质多序列比对时，可设置比对后输出文件的序列顺序同输入文件中的序列顺序一致（默认是按序列的相似性重新排列）。目前最流行的序列比对软件MUSCLE原本也可以用-stable参数实现，但是这一参数在目前所有版本里是个bug，输出文件的序列顺序也是以相似性排列的，便于人们用肉眼检查多序列比对结果。原本软件不支持，就只好自身做后期处理，对用MUSCLE进行多序列比对输出文件中的序列进行重新排序。实现这一排序的python代码如下（命名为sort_seq.py）：
阅读全文 »

构建进化树的软件，如Phylip、 RAxML，的输入文件通常要求是pyhlip（*.phy, *.phylip）格式文件。所以，完成多序列比对之后，需将比对后的序列保存为phylip格式。

标准phylip文件格式典型的2个特征是：

• 文件首行显示序列数目、单个序列长度（多序列比对后，每条序列的长度一样，因为有gap填充）；
• 每条序列的名称不能超过10个字符，短于10个字符长度的用空格补充。

ClustalW是常用的多序列比对工具，默认的出入格式是它自己的.aln，可以将比对输出格式指定为phylip格式。当序列名称不超过10个字符时，用ClustalW转换是没有问题的；但超过10个字符时，它会只保留名称的前10个字符，后面的会被砍掉，于是可能出现不用序列名称相同的问题。

软件Phylip要求输入标准的.phy格式文件，但RAxML只需要输入a relaxed phylip-format file即可。

“‘Relaxed’ means that sequence names can be of variable length between 1 up to 100 characters.”

所以，就写了个将比对后的fasta文件转为不严格的phylip格式的python程序：

阅读全文 »