Biopython

Biopython: Python 计算分子生物学

概述

Biopython 是一套免费可用的 Python 生物计算工具集。它提供序列操作、文件 I/O、数据库访问、结构生物信息学、系统发育学以及许多其他生物信息学任务的功能。当前版本为 Biopython 1.85（2025年1月发布），支持 Python 3 并需要 NumPy。

何时使用此技能

在以下情况下使用此技能：

• 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（双序列比对或多序列比对）
• 分析 PDB 文件中的蛋白质结构
• 创建、操作或可视化系统发育树
• 查找序列基序或分析基序模式
• 计算序列统计信息（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 组织为模块化子包，每个子包解决特定的生物信息学领域：

1. 序列处理 - Bio.Seq 和 Bio.SeqIO 用于序列操作和文件 I/O
2. 比对分析 - Bio.Align 和 Bio.AlignIO 用于双序列和多序列比对
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 - 基序、群体遗传学、序列工具等

安装和设置

使用 pip 安装 Biopython（需要 Python 3 和 NumPy）：

uv pip install biopython

对于 NCBI 数据库访问，始终设置您的电子邮件地址（NCBI 要求）：

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

# 可选：API 密钥用于更高的速率限制（10 请求/秒而非 3 请求/秒）
Entrez.api_key = "your_api_key_here"

使用此技能

此技能提供按功能区域组织的全面文档。处理任务时，请查阅相关的参考文档：

1. 序列处理 (Bio.Seq & Bio.SeqIO)

参考： references/sequence_io.md

用途：

• 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

用途：

• 双序列比对（全局和局部）
• 读取和写入多序列比对
• 使用替换矩阵（BLOSUM、PAM）
• 计算比对统计信息
• 自定义比对参数

快速示例：

from Bio import Align

# 双序列比对
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

用途：

• 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
• 批量下载并正确限制速率

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

用途：

• 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 值或同一性筛选结果
• 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)

# 显示前几个命中
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

用途：

• 解析 PDB 和 mmCIF 结构文件
• 导航蛋白质结构层次（SMCRA：Structure/Model/Chain/Residue/Atom）
• 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
• 从结构中提取序列

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

用途：

• 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、重根、梯形化）
• 计算系统发育距离
• 创建一致树
• 可视化树

快速示例：

from Bio import Phylo

# 读取并可视化树
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

用途：

• 序列基序 (Bio.motifs) - 查找和分析基序模式
• 群体遗传学 (Bio.PopGen) - GenePop 文件、Fst 计算、Hardy-Weinberg 检验
• 序列工具 (Bio.SeqUtils) - GC 含量、熔解温度、分子量、蛋白质分析
• 限制性分析 (Bio.Restriction) - 查找限制性酶切位点
• 聚类 (Bio.Cluster) - K-means 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")

通用工作流指南

阅读文档

当用户询问特定的 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 并根据用户的具体需求进行调整
4. 组合多个模块 当任务需要时

参考文件的搜索模式示例：

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

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

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

编写 Biopython 代码

编写 Biopython 代码时遵循以下原则：

1. 显式导入模块

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

2. 使用 NCBI 数据库时设置 Entrez 邮箱

   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. 对大文件使用迭代器 - 避免将所有内容加载到内存

   for record in SeqIO.parse("large_file.fasta", "fasta"):
       # 一次处理一条记录
   

6. 优雅地处理错误 - 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：序列分析流程

from Bio import SeqIO
from Bio.SeqUtils import gc_fraction

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

    # 查找 ORF，翻译等
    protein = record.seq.translate()

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

模式 3：BLAST 并获取顶级命中

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)

# 获取顶级命中的登录号
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. 在编写代码之前始终阅读相关的参考文档
2. 使用 grep 搜索参考文件 查找特定函数或示例
3. 在解析之前验证文件格式
4. 优雅地处理缺失数据 - 并非所有记录都有所有字段
5. 缓存下载的数据 - 不要重复下载相同的序列
6. 遵守 NCBI 速率限制 - 使用 API 密钥和适当的延迟
7. 在处理大文件之前用小数据集测试
8. 保持 Biopython 更新 以获取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 以确保可重复性

常见问题排查

问题："No handlers could be found for logger 'Bio.Entrez'"

解决方案： 这只是一个警告。设置 Entrez.email 可消除它。

问题：NCBI 返回 "HTTP Error 400"

解决方案： 检查 ID/登录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：比对失败并显示 "sequences are not the same length"

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

问题：BLAST 搜索很慢

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，或调查结构质量。

其他资源

• 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

要在参考文件中定位信息，请使用以下搜索模式：

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

# 查找特定任务的示例
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 为计算分子生物学提供全面的工具。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 以适应特定用例
4. 组合多个模块 当复杂工作流需要时
5. 遵循最佳实践 进行文件处理、错误检查和数据管理

模块化参考文档确保为每个主要 Biopython 功能提供详细、可搜索的信息。

限制

• 仅当任务明显符合上述描述的范围时才使用此技能。
• 不要将输出视为环境特定验证、测试或专家审查的替代品。
• 如果缺少所需的输入、权限、安全边界或成功标准，请停止并请求澄清。