【ROSALIND】【练Python，学生信】18 搜索开放读码框（ORF）
如果第一次阅读本系列文档请先移步阅读【ROSALIND】【练Python，学生信】00 写在前面 谢谢配合~
题目：
寻找所有开放读码框（ORF）
Given: A DNA string s of length at most 1 kbp in FASTA format.
所给：一条不超过1kb长的DNA序列s，以FASTA格式给出。
Return: Every distinct candidate protein string that can be translated from ORFs of s. Strings can be returned in any order.
需得：所有ORF得到的蛋白序列，可以以任意顺序给出。
测试数据
>Rosalind_99
AGCCATGTAGCTAACTCAGGTTACATGGGGATGACCCCGCGACTTGGATTAGAGTCTCTTTTGGAATAAGCCTGAATGATCCGAGTAGCATCTCAG
测试输出
MLLGSFRLIPKETLIQVAGSSPCNLS
M
MGMTPRLGLESLLE
MTPRLGLESLLE
背景
遗传信息由DNA流向蛋白质，但不是所有的DNA序列都可以编码出蛋白质。一个开放读码框（open reading frame, ORF）由起始密码子开始，由终止密码子结束，且序列中间没有终止密码子。将ORF中的序列翻译为多肽即为候选的蛋白质序列。
DNA序列可以按六种框架阅读和翻译，取决于我们如何组合三联密码子。比如...AUGCUGAC... 可以被阅读为...AUGCUG...，或 ...UGCUGA...或...GCUGAC...；两条链都可以作为模板链，因此还需要得到原序列的反向互补序列，以同样的思路得到另外三种阅读方式。
思路
本题可拆解为如下几个问题：
其一，得到DNA的反向互补序列，并将两个序列都转录为RNA。在之前的文档里这一步已有解答，套用即可。
其二，把ORF序列找到并分别存储下来。这里只需挨个比对是否包含起始密码子或终止密码子即可，找到就把编码序列存在列表里。
其三，把核酸序列翻译成蛋白序列。直接用之前的解答即可。
代码
codon_table = {
'GCU':'A', 'GCC':'A', 'GCA':'A', 'GCG':'A', 'CGU':'R', 'CGC':'R',
'CGA':'R', 'CGG':'R', 'AGA':'R', 'AGG':'R', 'UCU':'S', 'UCC':'S',
'UCA':'S', 'UCG':'S', 'AGU':'S', 'AGC':'S', 'AUU':'I', 'AUC':'I',
'AUA':'I', 'UUA':'L', 'UUG':'L', 'CUU':'L', 'CUC':'L', 'CUA':'L',
'CUG':'L', 'GGU':'G', 'GGC':'G', 'GGA':'G', 'GGG':'G', 'GUU':'V',
'GUC':'V', 'GUA':'V', 'GUG':'V', 'ACU':'T', 'ACC':'T', 'ACA':'T',
'ACG':'T', 'CCU':'P', 'CCC':'P', 'CCA':'P', 'CCG':'P', 'AAU':'N',
'AAC':'N', 'GAU':'D', 'GAC':'D', 'UGU':'C', 'UGC':'C', 'CAA':'Q',
'CAG':'Q', 'GAA':'E', 'GAG':'E', 'CAU':'H', 'CAC':'H', 'AAA':'K',
'AAG':'K', 'UUU':'F', 'UUC':'F', 'UAU':'Y', 'UAC':'Y', 'AUG':'M',
'UGG':'W',
'UAG':'Stop', 'UGA':'Stop', 'UAA':'Stop'
}
def readfasta(lines):
'''阅读fasta文件的函数'''
seq = []
index = []
seqplast = ""
numlines = 0
for i in lines:
if '>' in i:
index.append(i.replace("\n", "").replace(">", ""))
seq.append(seqplast.replace("\n", ""))
seqplast = ""
numlines += 1
else:
seqplast = seqplast + i.replace("\n", "")
numlines += 1
if numlines == len(lines):
seq.append(seqplast.replace("\n", ""))
seq = seq[1:]
return index, seq
def trans(seq):
'''将RNA序列翻译成多肽的函数'''
i = 0
p = ""
while i < len(seq)/3:
n = seq[3 * i] +seq[3*i+1] + seq[3*i+2]
r = codon_table[n]
i += 1
p = p + r
return p
f = open('input.txt', 'r')
lines = f.readlines()
f.close()
[index, seq] = readfasta(lines)
seq = seq[0]
c = ''
for i in range(len(seq)): # 得到原序列的互补序列
if seq[i] == 'A':
c += 'T'
elif seq[i] == 'G':
c += 'C'
elif seq[i] == 'T':
c += 'A'
elif seq[i] == 'C':
c += 'G'
rseq = c
rseq = rseq[::-1] # 得到反向序列
seq = seq.replace('T','U')
rseq = rseq.replace('T','U') # 将DNA转录为RNA
start = 'AUG'
stop = ['UAG', 'UGA', 'UAA']
i = 0
j = 0
result = []
while i < len(seq) - 2:
if seq[i:i+3] == start: # 找start codon
j = i
sequence = ""
while i < len(seq) - 2:
if seq[i:i+3] == stop[0] or seq[i:i+3] == stop[1] or seq[i:i+3] == stop[2]: # 找stop codon
result.append(sequence)
break
sequence = sequence + seq[i:i+3]
i += 3
i = j + 1
j += 1
i = 0
j = 0
while i < len(rseq) - 2: # 对反向互补序列进行相同操作，最好包装为函数实现复用
if rseq[i:i+3] == start:
j = i
sequence = ""
while i < len(rseq) - 2:
if rseq[i:i+3] == stop[0] or rseq[i:i+3] == stop[1] or rseq[i:i+3] == stop[2]:
result.append(sequence)
break
sequence = sequence + rseq[i:i+3]
i += 3
i = j + 1
j += 1
result2=[]
for i in result:
if not i in result2:
result2.append(i)
result = result2 # 用result2为中介除去重复出现的序列
# print(result)
i = 0
proteins = []
while i < len(result): # 翻译序列为多肽
protein = trans(result[i])
proteins.append(protein)
print(protein)
i += 1
f = open('output.txt','a') # 写入文件便于提交
i = 0
while i < len(proteins):
f.write(proteins[i])
f.write('\n')
i += 1
f.close()
