findscripter 何时使用
当需要用 Python 写自定义、可批处理的分子生物学脚本时用本条，Biopython 是模块化工具箱（非单一流水线），典型场景：
- 解析/转换生物文件格式：FASTA、GenBank、FASTQ、PDB、mmCIF、PHYLIP。
- 程序化检索 NCBI：从 GenBank/PubMed/Protein 按 accession 或检索式拉序列、摘要、文献元数据。
- 跑并解析 BLAST：远程 NCBI（NCBIWWW）或本地 BLAST+。
- 双序列（global/local）或多序列比对，自定义打分矩阵与空位罚分。
- 分析 3D 蛋白结构：原子间距、二面角、结构叠合 RMSD、提取序列。
- 由比对建系统发育树（NJ/UPGMA）并可视化。
- 算序列统计：GC 含量、分子量、解链温度、蛋白等电点/不稳定指数等。
- 批量处理上千条序列做自定义过滤。
不该用本条的边界：
- 读 SAM/BAM/CRAM 比对、操作 mapped reads → 用
pysam。 - 高级生态多样性指标 → 用
scikit-bio。 - 只想快速查单个基因/转录本（一行命令级） → 用
gget，无需写流水线。 - 聚合多个生信 REST 服务 → 用
bioservices。
前置条件：Python 3.8+；pip install biopython numpy matplotlib（树可视化需 matplotlib）。NCBI Entrez 必须先设 Entrez.email；设 Entrez.api_key 可把限速从 3 req/s 提到 10 req/s。
步骤 / 指令
按需取用对应模块，常见组合：
- 序列操作（Bio.Seq）：
Seq(...)创建后.complement()/.reverse_complement()/.transcribe()/.translate()；非标准遗传密码用translate(table=N)（如线粒体table=2），to_stop=True在首个终止子停止。 - 读写转换（Bio.SeqIO）：
SeqIO.parse(path, fmt)迭代 SeqRecord；SeqIO.write(records, ...)；SeqIO.convert(in, fmt1, out, fmt2)一步转格式；大文件用生成器流式过滤或SeqIO.index()随机访问。 - NCBI 访问（Bio.Entrez）：先
Entrez.email=...；esearch拿 ID 列表 →efetch/esummary批量取记录；批量时time.sleep(0.4)控速。 - BLAST（Bio.Blast）：远程
NCBIWWW.qblast(program, db, seq, hitlist_size=N)→NCBIXML.read/parse解析；大规模用本地 BLAST+。 - 双序列比对（Bio.Align）：
PairwiseAligner()设mode(global/local)、match_score/mismatch_score/open_gap_score/extend_gap_score，蛋白用substitution_matrix=substitution_matrices.load("BLOSUM62")。 - 结构分析（Bio.PDB）：
PDBParser(QUIET=True).get_structure(id, path)，按 SMCRA 层级遍历 Structure>Model>Chain>Residue>Atom；atom1 - atom2得距离（Å）；Superimposer算 RMSD。 - 系统发育（Bio.Phylo）：
AlignIO.read读比对 →DistanceCalculator(model).get_distance()→DistanceTreeConstructor().nj()/.upgma()→Phylo.draw_ascii()看树、Phylo.write(..., "newick")存树。 - 序列工具（Bio.SeqUtils）：
gc_fraction、molecular_weight、MeltingTemp.Tm_NN；蛋白用ProtParam.ProteinAnalysis取 MW/pI/不稳定指数/GRAVY。
示例
序列基本操作与翻译（Bio.Seq）：
from Bio.Seq import Seq
dna = Seq("ATGGCCATTGTAATGGGCCGCTGAAAGGGTGCCCGATAG")
print(dna.reverse_complement()) # 反向互补
print(dna.translate()) # MAIVMGR*KGAR*
print(dna.translate(to_stop=True)) # MAIVMGR（首个终止子停止）
print(dna.translate(table=2)) # 脊椎动物线粒体密码表
读取/过滤/转换（Bio.SeqIO，流式省内存）：
from Bio import SeqIO
records = list(SeqIO.parse("sequences.fasta", "fasta"))
long_seqs = (r for r in SeqIO.parse("big.fasta", "fasta") if len(r.seq) >= 200)
SeqIO.write(long_seqs, "filtered.fasta", "fasta") # 过滤 >=200bp
SeqIO.convert("input.gb", "genbank", "out.fasta", "fasta") # GenBank→FASTA
idx = SeqIO.index("big.fasta", "fasta"); rec = idx["target_id"] # 随机访问
从 NCBI 取 GenBank 记录（Bio.Entrez，必须先设 email）：
from Bio import Entrez, SeqIO
Entrez.email = "your.email@example.com" # 必填，否则被 NCBI 拒
h = Entrez.efetch(db="nucleotide", id="EU490707", rettype="gb", retmode="text")
record = SeqIO.read(h, "genbank"); h.close()
print(record.id, record.description, len(record.seq), "bp")
蛋白局部比对（Bio.Align + BLOSUM62）：
from Bio import Align
from Bio.Align import substitution_matrices
aligner = Align.PairwiseAligner()
aligner.mode = "local"
aligner.substitution_matrix = substitution_matrices.load("BLOSUM62")
aligner.open_gap_score, aligner.extend_gap_score = -10, -0.5
alns = aligner.align("MVLSPADKTNVKAAWGKV", "MVHLTPEEKSAVTALWGKV")
print(alns.score); print(alns[0])
结构距离与叠合 RMSD（Bio.PDB）：
from Bio.PDB import PDBParser, Superimposer
parser = PDBParser(QUIET=True) # QUIET 抑制非标准 PDB 告警
s1 = parser.get_structure("s1", "structure1.pdb")
s2 = parser.get_structure("s2", "structure2.pdb")
a1 = [r["CA"] for r in s1[0]["A"].get_residues() if "CA" in r]
a2 = [r["CA"] for r in s2[0]["A"].get_residues() if "CA" in r]
n = min(len(a1), len(a2))
sup = Superimposer(); sup.set_atoms(a1[:n], a2[:n]); sup.apply(s2.get_atoms())
print(f"RMSD: {sup.rms:.3f} Å over {n} CA")
端到端工作流（取基因→提 CDS→翻译→蛋白性质）：
from Bio import Entrez, SeqIO
from Bio.SeqUtils import gc_fraction
from Bio.SeqUtils.ProtParam import ProteinAnalysis
Entrez.email = "your.email@example.com"
h = Entrez.efetch(db="nucleotide", id="NM_007294.4", rettype="gb", retmode="text")
rec = SeqIO.read(h, "genbank"); h.close()
cds = next(f for f in rec.features if f.type == "CDS")
cds_seq = cds.location.extract(rec).seq
prot = cds_seq.translate(to_stop=True)
print(f"CDS {len(cds_seq)}bp GC={gc_fraction(cds_seq):.2%} 蛋白 {len(prot)}aa")
a = ProteinAnalysis(str(prot))
print(f"MW={a.molecular_weight():.0f}Da pI={a.isoelectric_point():.2f} GRAVY={a.gravy():.3f}")
限制酶分析（Bio.Restriction，克隆设计常用）：
from Bio.Seq import Seq
from Bio.Restriction import EcoRI, BamHI, HindIII, RestrictionBatch, Analysis
seq = Seq("GAATTCAAAGGATCCTTTTAAGCTTGGGAATTC")
print("EcoRI:", EcoRI.search(seq)) # 单酶切位点
res = Analysis(RestrictionBatch([EcoRI, BamHI, HindIII]), seq).full() # 批量
for enz, sites in res.items():
if sites: print(enz, sites)
注意事项
- Entrez 必须设 email，否则 NCBI 拒绝；批量请求加
Entrez.api_key（3→10 req/s）+time.sleep(0.4)，否则HTTPError 429。 HTTPError 400：accession 无效或检索式不合法，先用 NCBI 网页核对。SeqIO.read()报No records found：文件空或 format 字符串错；用SeqIO.parse()先看有无记录、确认格式与内容一致。SeqIO.index()报ValueError：FASTA 有重复 ID，先去重（SeqIO.to_dict()或预处理）。translate()中间出现意外*：阅读框错或遗传密码不对，检查起始位与table=N。- 结构解析告警（PDBConstructionWarning）：非标准原子/占有率问题，用
PDBParser(QUIET=True)；叠合要求两组原子数相同（代码里取min）。 - 比对前序列必须已对齐才能喂给
AlignIO，否则sequences of different lengths；先用 MUSCLE/Clustal 比对。 - BLAST 远程超时：限
hitlist_size，大规模改本地 BLAST+。 ImportError: No module named Bio：pip install biopython，验证python -c "import Bio; print(Bio.__version__)"。
互见
- requires：无（Biopython 自成体系，仅依赖 NumPy）。
- related：
genomic-file-toolkit—— 同属生信文件处理；gatk-variant-calling—— 下游变异检测取本条产出的序列/比对；single-cell-rnaseq-analysis、gene-set-enrichment-analysis—— 基因组学分析家族近亲。 - combines_with：
snakemake-workflow-engine/nextflow-pipeline-builder—— 把本条的取序列→BLAST→比对→建树各步包成可复现可并行的工作流；scientific-database-lookup—— 与 Entrez 检索互补做跨库查询。
本条采编自 jaechang-hits/SciAgent-Skills（CC-BY-4.0），适配重写而非逐字翻译。