Sequências

Além do pacote Bio.Seq, Biopython também fornece o pacote Bio.SeqIO para leitura e gravação de sequências, com suporte para os formatos: abi, ace, clustal, embl, fasta, fastq, fastq-solexa, fastq-illumina, genbank ou gb, ig, imgt, nexus, phd, phylip, pir, seqxml, sff, stockholm, swiss, tab, qual e uniprot-xml.

Neste capítulo abordaremos técnicas para manipulação de sequências usando Biopython e até mesmo funções básicas do Python.

Concatenando sequências

Você pode unir sequências usando as funcionalidades do Python. Neste exemplo, uniremos quatro sequências de nucleotídeos e armazenaremos o resultado final na variável seq_final.

from Bio.Seq import Seq

seq1 = Seq('AAA')
seq2 = Seq('TTT')
seq3 = Seq('CCC')
seq4 = Seq('GGG')

seq_final = seq1 + seq2 + seq3 + seq4

print(seq_final)
# AAATTTCCCGGG

Comparando sequências

Usando comandos condicionais e operadores é possível realizar comparações entre sequências.

from Bio.Seq import Seq

seq1 = Seq("AACCGGTT")
seq2 = Seq("AACCGGTT")
seq3 = Seq("TTCCAAGG")

if str(seq1) == str(seq2):
	print("seq1 igual a seq2")

else:
	print("seq1 diferente de seq2")

if str(seq1) == str(seq3):
	print("seq1 igual de seq3")

else:
	print("seq1 diferente de seq3")

Nesse exemplo, a sequência seq1 é inicialmente comparada com seq2. Em seguida, é feita uma comparação de seq1 com seq3. Ao executar esse script, você obterá como resultado: “seq1 igual a seq2” e “seq1 diferente de seq3”.

Para realizar comparações entre sequências é necessário comparar diretamente as strings, sendo necessário usar a função str( ). Observe que é considerado uma boa prática inserir um comando else, após o if para que, caso a condição não seja cumprida, uma mensagem avise ao usuário.

Analisando arquivos no formato FASTA

O formato de arquivos FASTA é um dos mais comuns padrões de armazenamento de sequências biológicas em Bioinformática. O padrão é definido por um cabeçalho iniciado pelo caractere “>”, seguido por uma sequência de aminoácidos ou nucleotídeos nas linhas posteriores. O arquivo pode também apresentar múltiplas sequências (formato Multi-FASTA). Abaixo um exemplo de arquivo no formato FASTA.

>HEAD_SEQ
GTCACAGCATCGATCGATCGACACTAG
CATCGATCGATCGATCATCGATCACTA
GCATCGATCGATCGATCGATCATC

Crie um arquivo de texto com estrutura similar ao demonstrado acima. Lembre-se o cabeçalho deve começar com o caractere “>” e a sequência deve começar na linha abaixo a ele. Salve o arquivo com o título “arquivo.fasta“. Você também pode encontrar esse arquivo no diretório exemplos do repositório do GitHub com os arquivos deste livro: <https://github.com/dcbmariano/biopython>.

Agora vamos analisá-lo com o Biopython:

from Bio import SeqIO
for i in SeqIO.parse("arquivo.fasta", "fasta"):

    # imprime o cabecalho
    print(i.id)

    # imprime a sequencia
    print(i.seq)

    # imprime o tamanho da sequencia
    print(len(i))

Após executar esse código você verá impresso na tela:

HEAD_SEQ
GTCACAGCATCGATCGATCGACACTA
GCATCGATCGATCGATCATCGATCACT
AGCATCGATCGATCGATCGATCATC
79

A função SeqIO.parse( ) é a principal função do pacote Bio.SeqIO. No exemplo acima, ela permite a leitura de um arquivo FASTA e, a partir de um laço, armazena na variável i o objeto que lê informações do arquivo, como: cabeçalhos, sequências e tamanho (com o auxílio da função len).

Gravando sequências

Agora vamos ler arquivos no formato FASTA, extrair determinadas sequências que atendam algum requisito específico e gravar tais linhas em outro arquivo, também no formato FASTA.

Inicialmente crie um arquivo Multi-FASTA chamado “arquivo1.fasta” com o conteúdo abaixo:

>sequencia_1
GTCACAG
>sequencia_2
GTGTTGTGTGT
>sequencia_3
CTCAAACCCAT
>sequencia_4
AACCCATTTTTTT
>sequencia_5
CCCCAAACCCAAATTT

Agora vamos analisar esse arquivo e extrair apenas sequências que atendam a duas condições:

1. sejam maiores do que 10 pb;
2. iniciem com uma citosina.

from Bio import SeqIO

entrada = open("arquivo1.fasta","r")
saida = open("arquivo2.fasta", "w")

for i in SeqIO.parse(entrada,"fasta"):
	
	# Condicao 1 (> 10 pb) | Condicao 2 == 'C'
	if ( (len(i.seq) > 10) and (i.seq[0] == 'C')):
		SeqIO.write(i, saida, "fasta")

saida.close()

Observe que no código acima o arquivo FASTA foi lido através da função open( ) e armazenado na variável entrada. Essa variável foi aplicada como parâmetro na função SeqIO.parse( ). As condições 1 e 2 foram validadas através de um comando if e unidas através do operador lógico and. Observe que parênteses separam e organizam as a instruções condicionais.

O comando SeqIO.write( ) recebe como argumentos o objeto Seq armazenado em i, a variável que armazena o arquivo de saída e o formato a qual o arquivo será salvo. Por fim, ele imprime as sequências que atendam as condições pré-estabelecidas dentro do arquivo criado e armazenado na variável saida.

Ao executar o código, você obterá como resultados que atendem aos requisitos solicitados apenas as sequências 3 e 5.

>sequencia_3
CTCAAACCCAT
>sequencia_5
CCCCAAACCCAAATTT

Analisando arquivos no formato GenBank

O GenBank é um banco de dados público mantido pelo National Center for Biotechnology Information (NCBI). O formato de arquivos GenBank engloba informações de sequências de nucleotídeos e sua tradução em aminoácidos, mantendo informações de anotações de proteínas, regiões codificantes em geral de um determinado organismo.

No próximo exemplo, utilizaremos o arquivo GenBank do plasmídeo pREB9 obtido em Acaryochloris marina MBIC11017. Faça o download do arquivo “NC_009934.gbk” no diretório exemplos do repositório do livro no GitHub. Observe que há diversas informações que variam desde o nome do organismo até mesmo os nomes dos autores envolvidos em uma publicação de um artigo sobre esse organismo. Agora vamos analisá-lo com a função parse do pacote SeqIO.

from Bio import SeqIO
for seq_record in SeqIO.parse("NC_009934.gbk", "genbank"):

    # imprime o cabecalho
    print(seq_record.id)

    # imprime a sequencia
    print(seq_record.seq)

    # imprime o tamanho da sequencia
    print(len(seq_record) )

Assim como na análise de arquivos FASTA, ao executa os comandos acima em um script, você obterá informações como id, sequência e tamanho.

Obtendo o nome de produtos codificados de um arquivo GenBank

Arquivos GenBank contém informações de anotações, como por exemplo, nomes e posicionamento de genes. É possível obtê-los através do módulo SeqIO.

from Bio import SeqIO

# Recebendo arquivo GBK
exemplo = SeqIO.read("NC_009934.gbk", "genbank")

for i in exemplo.features:
	print(i)

O exemplo acima imprime na tela todas as features (campos onde são armazenadas algumas características do organismo) de um arquivo GenBank. Se quisermos obter o nome de produtos codificados podemos utilizar a seguinte sintaxe:

from Bio import SeqIO

# Recebendo arquivo GBK
exemplo = SeqIO.read("NC_009934.gbk", "genbank")

for i in exemplo.features:
	if i.type == 'CDS':
		print(i.qualifiers['product'] )

Observe que inicialmente validamos se a feature é do tipo “CDS”. Informações sobre nomes de produtos estão armazenadas em features do tipo “CDS”, assim caso tente imprimir o campo onde estão armazenados os nomes de produtos sem essa validação seu programa apresentará um erro de execução. É necessário que o campo qualifiers[‘product’] exista na feature para que não ocorram erros durante a execução do laço.

Se você executou com perfeição os procedimentos descritos acima, obterá como resultado:

['hypothetical protein']
['hypothetical protein']
['hypothetical protein']
['hypothetical protein']

Você também poderá imprimir outras informações de features, como por exemplo: tipo (type), localização (location), além de locus tag (qualifiers[‘locus_tag’]), id da proteína (qualifiers[protein_id]) e sequência traduzida (qualifiers[‘translation’]).

Convertendo arquivos GenBank para FASTA

Biopython permite a conversão de formatos de arquivos de maneira simples. Usando o arquivo baixado anteriormente, vamos convertê-lo para formato FASTA através da função SeqIO.convert( ). Essa função recebe como parâmetros o nome do arquivo que será convertido, o formato desse arquivo, o novo nome após a conversão e o novo formato.

from Bio import SeqIO

SeqIO.convert("NC_009934.gbk", "genbank", \
"NC_009934.fasta", "fasta")

Para mais informações sobre o módulo Bio.SeqIO acesse: <http://biopython.org/wiki/SeqIO>.

Quer aprender mais? Conheça nossos cursos profissionalizantes à partir de R$19,99: