Saltar a contenido

BioPython

¿Qué es Biopython?

Biopython es el paquete de Python más utilizado en el ámbito de la biología computacional, con una gran cantidad de herramientas útiles en bioinformática.

Esta librería fue creada en el año 1999 por Brad Chapman y Jeff Chang, y actualmente está soportada por el Proyecto Biopython, una asociación de desarrolladores de herramientas en el lenguaje informático Python.

matplot

Ventajas

  • Compatibilidad con diferentes formatos. Biopython permite el tratamiento de archivos en diversos formatos utilizados en el ámbito biológico, presentando total compatibilidad con los archivos procedentes de GenBank, PDB, PubMed, ExPASy,...
  • Tratamiento de secuencias. Permite trabajar con secuencias tanto nucleotídicas como aminoacídicas.
  • Herramientas incorporadas. Herramientas para realizar operaciones comunes en secuencias, como traducción, transcripción, longitud de cadenas...
  • Herramientas para realizar alineamientos de secuencias.
  • Amplio uso. Al ser el paquete más utilizado en biología computacional junto a Bioconductor, encontrará una gran cantidad de foros actualizados que le serán de ayuda. Además se incluyen herramientas nuevas que le pueden ser de utilidad, así como actualizaciones de las herramientas anteriores.

Como bioquímico interesado en la bioinformática, es fundamental que se familiarice con Biopython, ya que es una herramienta fundamental actualmente en el lenguaje Python para el tratamiento de datos biológicos.

Instalación

En primer lugar debe instalar el paquete biopython. Para ello, como se explicó en el apartado PyCharm, vaya a la ventana de Python Packages e instálelo.

matplot

Instalación del paquete biopython

Otra opción sería utilizar el siguiente comando en la consola: 

pip install biopython

Trabajo con secuencias

Sin duda los elementos u objetos centrales en el tratamiento de datos biológicos son las secuencias.

En este apartado aprenderá algunos conceptos básicos sobre el maneja del objeto Seq, objeto más utilizado en el paquete Biopython, que contiene muchas funciones en común con las cadenas.

Ejemplos 

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
from Bio.Seq import Seq
seq = Seq("AGAGCCGACTTTACT")

num_nucleotidos= len(seq) #Almacena el número de nucleótidos

primer_nucleotido= seq[0] #Almacena el primer nucleótido

num_guaninas = seq.count("G") #Almacena el número de guaninas

cortar_secuencia= seq[0:6] #Almacena la secuencia desde el primer nucleótido hasta el séptimo

cadena_complementaria= seq[::-1] #Almacena la cadena complementaria

#Porcentaje de G+C
porcentaje_GC = 100 * float(seq.count("G") + seq.count("C")) / len(seq)

#Biopython ya contiene un módulo integrado que simplifica esta tarea
from Bio.SeqUtils import GC
calculo_porcentaje_GC= GC(seq)

Transcripción y traducción

En primer lugar veamos cómo realizar una transcripción en Biopython. Para esto crearemos objetos Seq para la hebra de ADN codificante y la hebra molde/template: 

1
2
3
4
5
from Bio.Seq import Seq
seq_codificante = Seq("AATGCGGCTTAACCACAC")
print(seq_codificante)
seq_molde = seq_codificante.reverse_complement()
print(seq_molde)
Debe tener en cuenta que la secuencia molde es leída por la polimerasa en dirección 3'-5', por lo que la secuencia codificante aparece en dirección 5'-3'. Por tanto se muestra por pantalla la siguiente salida: 
AATGCGGCTTAACCACAC
GTGTGGTTAAGCCGCATT
Una vez hemos creado la hebra molde y la codificante, vamos a llevar a cabo la transcripción. Recuerde que la transcripción se puede ver como la sustitución de A->U en la hebra codificante. 
1
2
3
4
5
from Bio.Seq import Seq
seq_codificante = Seq("AATGCGGCTTAACCACAC")
seq_molde = seq_codificante.reverse_complement()
ARN_mensajero = seq_codificante.transcribe()
print(ARN_mensajero)
Si únicamente posee la hebra molde, y desea realizar la transcripción sin necesidad de crear la hebra codificante, puede utilizar la acción combinada de ambas funciones anteriores: 
1
2
3
from Bio.Seq import Seq
seq_molde = Seq("GTGTGGTTAAGCCGCATT")
ARN_mensajero = seq_molde.reverse_complement().transcribe()
Por último, si lo que desea es realizar una transcripción inversa, es decir, pasar del ARN mensajero a la hebra codificante: 
1
2
3
from Bio.Seq import Seq
ARN_mensajero = Seq("AAUGCGGCUUAACCACAC")
seq_codificante = ARN_mensajero.back_transcribe()
Una vez finalizada la transcripción, veamos cómo llevar a cabo la traducción partiendo de la secuencia nucleotídica del ARN mensajero obtenida. 
1
2
3
4
5
6
7
from Bio.Seq import Seq
seq_codificante = Seq("AATGCGGCTTTACCACAC")
seq_molde = seq_codificante.reverse_complement()
ARN_mensajero = seq_codificante.transcribe()

proteina= ARN_mensajero.translate()
print(proteina)
Esto debería mostrar por pantalla la siguiente secuencia aminoacídica: 
NAALPH
También podría realizar la traducción desde la hebra codificante de ADN. En este caso se ha introducido una mutación en la secuencia: T 11 -> A 11.
1
2
3
4
5
6
from Bio.Seq import Seq
seq_codificante = Seq("AATGCGGCTTAACCACAC")
seq_molde = seq_codificante.reverse_complement()

proteina= seq_codificante.translate()
print(proteina)
En este caso, el resultado será el siguiente: 
NAA*PH
# El asterisco indica que es un codón stop.
Aunque a priori parece un método muy básico, hay algunos aspectos adicionales en la traducción que hay que tener en cuenta.

La tabla de traducción que utiliza Biopython se basa en la tablas indicadas en el NCBI, utilizando de forma predeterminada el código genético estándar (Tabla 1). En algunos casos necesitará utilizar tablas de traducción diferente, por ejemplo si está tratando con un genoma mitocondrial. Esto se puede indicar de diversas formas: 

1
2
3
4
5
6
from Bio.Seq import Seq
seq_codificante = Seq("AATGCGGCTTAACCACAC")
seq_molde = seq_codificante.reverse_complement()

proteina= seq_codificante.translate(table="Vertebrate Mitochondrial") #1ª Forma
proteina= seq_codificante.translate(table=2) # 2ª Forma
Como ha visto en uno de los ejemplos anteriores, Biopython va a detectar un codón de parada indicándolo con un asterisco. Lo normal es que desee llevar a cabo la traducción hasta este codón y detenerse: 
1
2
3
4
5
6
from Bio.Seq import Seq
seq_codificante = Seq("AATGCGGCTTAACCACAC")
seq_molde = seq_codificante.reverse_complement()

proteina= seq_codificante.translate(to_stop=True)
print(proteina)

Trabajo con archivos

Para trabajar con distintos formatos de archivos de secuencias, el módulo más utilizado en BioPython es Bio.seqIO.

Para poder aprender a trabajar con archivos, necesitaremos uno que se desee analizar. Tenga en cuenta las características de su ordenador, ya que si utiliza un archivo FASTA demasiado pesado este proceso puede llegar a ser muy lento o incluso interminable.

En este caso se propone como ejemplo un archivo FASTA que contiene todas las entradas resultantes de una búsqueda en la base de datos nucleotide de NCBI.

La búsqueda elegida es de Viola tricolor (denominada comúnmente pensamiento), y puede descargarse el archivo en el siguiente enlace.

matplot

Flor de pensamiento. Fuente: pharysol.es

Lectura de archivos de secuencia

Para leer archivos de secuencia la función más utilizada es Bio.SeqIO.parse(). Esta función, utilizada normalmente en un bucle for, necesita dos argumentos:

  • Nombre del fichero que se desea leer.
  • Indicador del tipo de archivo que se desea leer, en letras minúsculas.

1
2
3
4
5
6
7
from Bio import SeqIO

for seq_record in SeqIO.parse("viola_tricolor.fasta", "fasta"):
    print(seq_record.id)  #Devuelve el ID identificador
    print(seq_record.description) #Devuelve la descripción
    print(repr(seq_record.seq))  #Devuelve la secuencia
    print(len(seq_record))  #Devuelve la longitud de la secuencia
Deberá haber obtenido un resultado similar al siguiente: 
HM590365.1
HM590365.1 Viola tricolor voucher personal collection:I. Hiiesalu 74 tRNA-Leu (trnL) gene, partial sequence; chloroplast
Seq('GACTTAATTGGATTGAGCCTTGGTATGGAAACTTACTAAGTGGATAACTTTCAA...GAG')
506

JZ084087.1
JZ084087.1 MHV6 MHV-Cold stress-Viola library Viola tricolor cDNA clone MHV6, mRNA sequence
Seq('AACAGACAGTTGTATGCTGCGTTCGGGAGGATGAATCCCTCCCGANAAGGAATC...CTT')
177
...
...
MG009035.1
MG009035.1 Crithmum maritimum clone CM_04 microsatellite sequence
Seq('AAAACATTCATCTCCTGCACTCTTAAAATTCTTCTATTCTTTTCAATCCAATCT...TCA')
174

MG009034.1
MG009034.1 Crithmum maritimum clone CM_03 microsatellite sequence
Seq('GCTTACTTAGTTGAGATCCAGTGTTTAGATTGTACATCACTTTCTTGGAGGTTC...GGA')
144

Lectura de otros formatos de archivo

Si en lugar de leer un archivo en formato .fasta, desea leer cualquier otro archivo únicamente tiene que cambiar el valor del segundo argumento.

Por ejemplo, si desea leer un archivo .gbk (procedente de GenBank): "fasta" -> "genbank".

En el siguiente enlace puede encontrar una tabla con todas las opciones.

En muchos casos trabajará con archivos gzip, muy utilizados por herramientas bioinformáticas. Puede informarse sobre el módulo gzip, aunque es tan simple como utilizar gzip.open().

Aunque esta opción de lectura le puede ser útil, en muchas ocasiones deseará trabajar con cada lectura de forma individual. Para ello tiene que trabajar con este archivo como si fuera un objeto más, como se muestra a continuación:

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
from Bio import SeqIO

entradas = SeqIO.parse("viola_tricolor.fasta", "fasta")

print("LA PRIMERA ENTRADA:")
primera_entrada = next(entradas)
print(primera_entrada.id)
print(primera_entrada.description)
print(len(primera_entrada))

print("LA SEGUNDA ENTRADA:")
segunda_entrada = next(entradas)
print(segunda_entrada.id)
print(segunda_entrada.description)
print(len(segunda_entrada))
Salida por pantalla
LA PRIMERA ENTRADA:
HM590365.1
HM590365.1 Viola tricolor voucher personal collection:I. Hiiesalu 74 tRNA-Leu (trnL) gene, partial sequence; chloroplast
506
LA SEGUNDA ENTRADA:
JZ084087.1
JZ084087.1 MHV6 MHV-Cold stress-Viola library Viola tricolor cDNA clone MHV6, mRNA sequence
177

Extracción y escritura de datos

El archivo FASTA utilizado de ejemplo empieza de la siguiente forma: 

>HM590365.1 Viola tricolor voucher personal collection:I. Hiiesalu 74 tRNA-Leu (trnL) gene, partial sequence; chloroplast
GACTTAATTGGATTGAGCCTTGGTATGGAAACTTACTAAGTGGATAA....
....
Como puede comprobar, el identificador es el primer argumento en la descripción, información que podemos utilizar para obtener una lista con todos los IDs: 
1
2
3
4
5
6
from Bio import SeqIO

especies = []
for seq_record in SeqIO.parse("viola_tricolor.fasta", "fasta"):
    especies.append(seq_record.description.split()[0])
print(especies)
Esto te devuelve por pantalla la siguiente lista: 
['HM590365.1', 'JZ084087.1', 'JZ084086.1', 'JZ084085.1','JZ084084.1', ...]

Lectura de otros formatos de archivo

Le recomendamos que pruebe este método con archivos de EMBL o GenBank.

La modificación de datos en el archivo es muy simple. Veamos como modificar por ejemplo el ID de la primera entrada: 

1
2
3
4
5
6
7
from Bio import SeqIO
entradas = SeqIO.parse("viola_tricolor.fasta", "fasta")
primera_entrada = next(entradas)
print(primera_entrada)

primera_entrada.id = "ID_NUEVO"
print(primera_entrada)

Graficación

En este apartado se muestran algunos ejemplos de gráficas utilizando la librería matplotlib junto al módulo Bio.SeqIO. Para ello se va a utilizar de nuevo el archivo viola_tricolor.fasta.

HISTOGRAMA

Veamos cómo realizar un histograma que compare las longitudes de las secuencias en un rango de tamaños. En primer lugar, necesitamos almacenar en una lista la longitud de todas las secuencias: 

1
2
3
4
from Bio import SeqIO
longitudes = [len(rec) for rec in SeqIO.parse("viola_tricolor.fasta", "fasta")]

print(longitudes)
Ahora utilizaremos la librería matplotlib para poder representarlos. 
 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
from Bio import SeqIO
from matplotlib import pylab

longitudes = [len(rec) for rec in SeqIO.parse("viola_tricolor.fasta", "fasta")]

pylab.hist(longitudes, bins=20)
pylab.title(
    "%i Secuencias\nTamaños desde %i a %i" % (len(longitudes), min(longitudes), max(longitudes))
)
pylab.xlabel("Tamaño de secuencias (bp)")
pylab.ylabel("Recuento")
pylab.show()

matplot

FIGURA DE LÍNEAS

Para mostrar un ejemplo de un gráfico de líneas, la mejor opción es representar una de las gráficas que más utilizará: representación GC%.

En primer lugar necesitamos una lista con los porcentajes GC de las secuencias, utilizando el módulo GC empleado al principio de esta página. Vamos a realizar una representación ordenada de menores a mayores valores de GC%, para observar la variación.

1
2
3
4
5
from Bio import SeqIO
from Bio.SeqUtils import GC

valores_GC = sorted(GC(rec.seq) for rec in SeqIO.parse("viola_tricolor.fasta", "fasta"))
print(valores_GC)

Una vez obtenida la lista, representamos: 

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
from Bio import SeqIO
from Bio.SeqUtils import GC
from matplotlib import pylab

valores_GC = sorted(GC(rec.seq) for rec in SeqIO.parse("viola_tricolor.fasta", "fasta"))
pylab.plot(valores_GC, linewidth= 3, color= "red")
pylab.title(
    "%i Secuencias\nGC%% desde %0.1f a %0.1f"
    % (len(valores_GC), min(valores_GC), max(valores_GC))
)
pylab.xlabel("Genes")
pylab.ylabel("GC%")
pylab.show()

matplot

Blast

Blast (Basic Local Alignment Search Tool) es una herramienta informática de alineamiento de secuencias local, tanto de ácidos nucleicos como de secuencias proteicas.

  • Blastn. Nucleótido > nucleótido.
  • Blastp. Proteína > proteína.
  • Tblastn. Proteína > secuencia nucleotídica traducida.
  • Blastx. Secuencia nucleotídica traducida > proteína.

Esta herramienta, sin duda una de las más importantes en bioinformática, está disponible desde Biopython con el módulo Bio.blast.NCBIWWW.

La función qblast() en el módulo Bio.blast.NCBIWWW necesita tres argumentos:

  • Primer argumento. Programa blast que usará: blastn, blastp...
  • Segundo argumento. Base de datos en la que basará la búsqueda. Ej. Nucleotide database (nt).
  • Tercer argumento. Una cadena que contenga tu secuencia de entrada (query sequence). Si la secuencia la tiene en un archivo FASTA, simplemente almacénela como una cadena.

Aunque estos son los argumentos principales y necesarios para su funcionamiento, qblast() tiene muchos más argumentos y parámetros disponibles para modificar. Al igual que con todas las funciones, puede informarse en: 

1
2
from Bio.Blast import NCBIWWW
help(NCBIWWW.qblast)

Ejemplo práctico

En primer lugar descárguese un archivo FASTA en su directorio de trabajo. Le proponemos como ejemplo el siguiente archivo NAC_solanum_arabidopsis, la secuencia codificante del gen NAC de Solanum lycopersicum y de Arabidopsis thaliana.

Importe el módulo NCBIWWW y asigne la secuencia FASTA a una variable.

1
2
from Bio.Blast import NCBIWWW
archivo_fasta = open("NAC_solanum_arabidopsis.fasta").read()

>>> archivo_fasta
>NC_015441.3:2856617-2858593 Solanum lycopersicum cultivar Heinz 1706 chromosome 4, SL3.0, whole genome shotgun sequence
GTCAAAGAAACTGAAACTAACACAAAGCAGGAGCAGGAGCAGCAACAAACAGAGAGAAGAAAACAGAGGA
AGATAAGAGGAAAATTTATCGAATTCGAATCGAGAGAAAAGGGGAAGTGAA ....

>NC_003070.9:c11867154-11865229 Arabidopsis thaliana chromosome 1 sequence
GTCAAAGAAACTGAAACTAACACAAAGCAGGAGCAGGAGCAGCAACAAACAGAGAGAAGAAAACAGAGGAAGATA
GAGTCCTACCACCATTATAAATTATCTCATCGTTTGCTTTCTTTTTTTTAA ....

Utilice la función qblast() con los parámetros indicados anteriormente, como a continuación: 

1
2
3
from Bio.Blast import NCBIWWW
archivo_fasta = open("NAC_solanum_arabidopsis.fasta").read()
resultados = NCBIWWW.qblast("blastn", "nt", archivo_fasta)
Guarde el objeto resultados a un archivo .xml que puede ser analizado. 
1
2
3
4
5
6
7
from Bio.Blast import NCBIWWW
archivo_fasta = open("NAC_solanum_arabidopsis.fasta").read()
resultados = NCBIWWW.qblast("blastn", "nt", archivo_fasta)

with open('results.xml', 'w') as save_file:
    blast_results = resultados.read()
    save_file.write(blast_results)
Tras esto, habrá obtenido el siguiente archivo xml. Tenga en cuenta que el análisis con Biopython de los resultados del Blast también le puede ser útil para resultados obtenidos en un Blast online. 
 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
from Bio.Blast import NCBIWWW
from Bio.Blast import NCBIXML

resultado = open("results.xml", 'r')
registro_blast = NCBIXML.parse(resultado)
registro_blast = next(registro_blast)

E_VALUE_THRESH = 0.04
for alignment in registro_blast.alignments:
    for hsp in alignment.hsps:
        if hsp.expect < E_VALUE_THRESH:
            print("****Alineamiento****")
            print("Secuencia:", alignment.title)
            print("Tamaño:", alignment.length)
            print("e-value:", hsp.expect)
            print(hsp.query[0:75] + "...")
            print(hsp.match[0:75] + "...")
            print(hsp.sbjct[0:75] + "...")
Esto le dará como resultado el siguiente análisis Blast. A partir de este análisis puede realizar diferentes acciones, encontrando más información en el siguiente enlace a mayor información. 
****Alineamiento****
Secuencia: gi|1273855477|gb|CP023760.1| Solanum lycopersicum cultivar I-3 chromosome 4
Tamaño: 66477049
e-value: 0.0
GTCAAAGAAACTGAAACTAACACAAAGCAGGAGCAGGAGCAGCAACAAACAGAGAGAAGAAAACAGAGGAAGATA...
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||...
GTCAAAGAAACTGAAACTAACACAAAGCAGGAGCAGGAGCAGCAACAAACAGAGAGAAGAAAACAGAGGAAGATA...

****Alineamiento****
Secuencia: gi|1273855477|gb|CP023760.1| Solanum lycopersicum cultivar I-3 chromosome 4
Tamaño: 66477049
e-value: 1.44242e-12
GGTGAAAAAGAGTGGTATTTTTTCTCACCAAGGGATAGAAAATATCCGAACGGTTCACGGCCGAACCGAGCAGCA...
|| |||||||| |||||||| ||| | ||| | |||||||||||||| || |||    |||| ||  | ||||| ...
GGAGAAAAAGAATGGTATTTCTTCACCCCACGTGATAGAAAATATCCAAATGGTGTTAGGCCAAATAGGGCAGCT...

****Alineamiento****
Secuencia: gi|1273855477|gb|CP023760.1| Solanum lycopersicum cultivar I-3 chromosome 4
Tamaño: 66477049
e-value: 4.71528e-06
AACACAACTTCAAATCTCAAAAA-TCACAATTTCAAAAACTCATAGATTTCAACT------TCTATATTCAAACA...
|| ||||| |||||  | ||||| || ||| |||||||||||| || ||||||||      |||||  |||||||...
AAAACAACATCAAAGTTAAAAAAATCGCAACTTCAAAAACTCAAAG-TTTCAACTTCGAAATCTATGATCAAACA...

...

Búsqueda en bases de datos: PubMed y Medline

Desde Python es posible realizar búsquedas y obtener información de muchas de las principales fuentes de datos en el ámbito bioquímico, como Pubmed y Medline.

Veamos cómo realizar una consulta en PubMed, en este caso se quiere consultar todos los artículos relacionados con Thermus aquaticus, una bacteria termófila. Para esto utilizaremos el módulo Bio.Entrez, un sistema que da acceso a todas las bases del NCBI.

Lo primero que queremos conocer es el número de artículos que están relacionados con esta bacteria. 

1
2
3
4
5
6
7
from Bio import Entrez
entrez.email = "victorfernandezramirez1@hotmail.com"  #Importante indicar su usuario
busqueda = Entrez.egquery(term="thermus aquaticus")  #Indicar la búsqueda deseada
registro = Entrez.read(busqueda)  #Leer esta búsqueda y almacenarla como una variable
for fila in registro["eGQueryResult"]:  #Bucle para realizar el conteo
    if fila["DbName"]=="pubmed":
        print(fila["Count"])
Resultado
641
Se obtiene un total de 641 entradas relacionadas con la bacteria Thermus aquaticus. Veamos cómo obtener los IDs de estos artículos utilizando la función Bio.Entrez.esearch. 
1
2
3
4
5
6
from Bio import Entrez
entrez.email = "victorfernandezramirez1@hotmail.com"  
busqueda = Entrez.esearch(db="pubmed", term="thermus aquaticus", retmax=463)
registro = Entrez.read(busqueda)
busqueda.close()
idlist = registro["IdList"]  #Almacena todos los IDs en una lista

1
2
>>> print (idlist)
['34817221', '34773612', '34592573', '34459541',...]
A partir de esta lista de IDs, podemos importar el módulo Medline y utilizar la función Entrez.efetch para obtener la información de estos artículos. Tenga en cuenta que el código utilizado hasta el momento sigue siendo necesario, ya que necesitamos la lista creada idlist. 
 1
 2
 3
 4
 5
 6
 7
 8
 9
10
from Bio import Medline
busqueda_medline = Entrez.efetch(db="pubmed", id=idlist, rettype="medline", retmode="text")
registros_nuevos = Medline.parse(busqueda_medline)
registros_nuevos = list(registros_nuevos)

for registro_bucle in registros_nuevos:
    print("Titulo:", registro_bucle.get("TI", "?"))
    print("Autores:", registro_bucle.get("AU", "?"))
    print("Fuente:", registro_bucle.get("SO", "?"))
    print("")
Esto le devolverá como salida el título, autor/es y fuente de todos los artículos que fueron almacenados en la lista. 
Titulo: A Novel Trehalose Synthase for the Production of Trehalose and Trehalulose.
Autores: ['Agarwal N', 'Singh SP']
Fuente: Microbiol Spectr. 2021 Dec 22;9(3):e0133321. doi: 10.1128/Spectrum.01333-21. Epub 2021 Nov 24.

Titulo: Enhancing Cohort PASA Efficiency from Lessons Assimilated by Mutant Genotyping in C. elegans.
Autores: ['Pandey A', 'Bhat B', 'Aggarwal ML', 'Pandey GK']
Fuente: Methods Mol Biol. 2022;2392:17-33. doi: 10.1007/978-1-0716-1799-1_2.

...

Titulo: Purification, crystallization and preliminary X-ray investigation of aqualysin I, a heat-stable serine protease.
Autores: ['Green PR', 'Oliver JD', 'Strickland LC', 'Toerner DR', 'Matsuzawa H', 'Ohta T']
Fuente: Acta Crystallogr D Biol Crystallogr. 1993 May 1;49(Pt 3):349-52. doi: 10.1107/S0907444992012083.
Desde Python también es posible descargar secuencias en formato FASTA o como archivo de texto plano desde GenBank, utilizando únicamente un ID de referencia.

Como ejemplo se utiliza el identificador NM_001247553, que pertenece al ARN mensajero de la proteína NAC de Solanum lycopersicum, proteína ya utilizada en ejemplos anteriores. 

1
2
3
4
from Bio import Entrez
Entrez.email = "victorfernandezramirez1@hotmail.com"
busqueda = Entrez.efetch(db="nucleotide", id="NM_001247553", rettype="gb", retmode="text")
print(busqueda.read())
Salida por pantalla
LOCUS       NM_001247553            1309 bp    mRNA    linear   PLN 25-FEB-2019
DEFINITION  Solanum lycopersicum NAC domain protein (NAC1), mRNA.
ACCESSION   NM_001247553
VERSION     NM_001247553.3
KEYWORDS    RefSeq.
SOURCE      Solanum lycopersicum (Lycopersicon esculentum)
  ORGANISM  Solanum lycopersicum
            Eukaryota; Viridiplantae; Streptophyta; Embryophyta; Tracheophyta;
            Spermatophyta; Magnoliopsida; eudicotyledons; Gunneridae;
            Pentapetalae; asterids; lamiids; Solanales; Solanaceae;
            Solanoideae; Solaneae; Solanum; Solanum subgen. Lycopersicon.
REFERENCE   1  (bases 1 to 1309)
  AUTHORS   Gao Y, Wei W, Zhao X, Tan X, Fan Z, Zhang Y, Jing Y, Meng L, Zhu B,
            Zhu H, Chen J, Jiang CZ, Grierson D, Luo Y and Fu DQ.
  TITLE     A NAC transcription factor, NOR-like1, is a new positive regulator
            of tomato fruit ripening
  JOURNAL   Hortic Res 5, 75 (2018)
   PUBMED   30588320
  REMARK    Publication Status: Online-Only
REFERENCE   2  (bases 1 to 1309)
  AUTHORS   Giovannoni J, Nguyen C, Ampofo B, Zhong S and Fei Z.
  TITLE     The Epigenome and Transcriptional Dynamics of Fruit Ripening
  JOURNAL   Annu Rev Plant Biol 68, 61-84 (2017)
   PUBMED   28226232
  REMARK    Review article
REFERENCE   3  (bases 1 to 1309)
...
PRIMARY     REFSEQ_SPAN         PRIMARY_IDENTIFIER PRIMARY_SPAN        COMP
            1-1309              AK323390.1         1-1309
FEATURES             Location/Qualifiers
     source          1..1309
                     /organism="Solanum lycopersicum"
                     /mol_type="mRNA"
                     /cultivar="Micro-Tom"
                     /db_xref="taxon:4081"
                     /chromosome="4"
                     /map="4"
     gene            1..1309
                     /gene="NAC1"
                     /gene_synonym="NC1; SlNAC1"
                     /note="NAC domain protein"
                     /db_xref="GeneID:543917"
     exon            1..327
                     /gene="NAC1"
                     /gene_synonym="NC1; SlNAC1"
                     /inference="alignment:Splign:2.1.0"
     misc_feature    18..20
                     /gene="NAC1"
                     /gene_synonym="NC1; SlNAC1"
                     /note="upstream in-frame stop codon"
     CDS             150..1055
                     /gene="NAC1"
                     /gene_synonym="NC1; SlNAC1"
                     /note="NAC domain protein 1; NAC domain-containing protein
                     2"
                     /codon_start=1
                     /product="NAC domain protein"
                     /protein_id="NP_001234482.1"
                     /db_xref="GeneID:543917"
                     /translation="MNKGANGNQQLELPAGFRFHPTDDELVQHYLCRKCAGQSIAVSI
                     IAEIDLYKFDPWQLPEKALYGEKEWYFFSPRDRKYPNGSRPNRAAGTGYWKATGADKP
                     VGKPKTLGIKKALVFYAGKAPRGIKTNWIMHEYRLANVDRSAGKNNNLRLDDWVLCRI
                     YNKKGTLEKHYNVDNKETTSFGEFDEEIKPKILPTQLAPMPPRPRSTPANDYFYFESS
                     ESMTRMHTTNSSSGSEHVLSPCDKEVQSAPKWDEDHRNTLDFQLNYLDGLLNEPFETQ
                     MQQQICNFDQFNNFQDMFLYMQKPY"
     exon            328..602
                     /gene="NAC1"
                     /gene_synonym="NC1; SlNAC1"
                     /inference="alignment:Splign:2.1.0"
     exon            603..1302
                     /gene="NAC1"
                     /gene_synonym="NC1; SlNAC1"
                     /inference="alignment:Splign:2.1.0"
ORIGIN      
        1 gtcaaagaaa ctgaaactaa cacaaagcag gagcaggagc agcaacaaac agagagaaga
       61 aaacagagga agataagagg aaaatttatc gaattcgaat cgagagaaaa ggggaagtga
      121 agttgcgaag agtgagaatt tcaaaggaaa tgaacaaagg agcaaacgga aatcagcaat
      181 tggagttacc ggcgggattc agattccatc cgacagacga cgaattggtg cagcactatc
     ....
     1081 attgagtgtg atccatgaca ttttctttgt tctttggtgg tgtaggtcaa ctttttatta
     1141 agtagtttag agaagtacaa aatgctagtc aaatttggtg ggctacagca caaatgagcc
     1201 ttgataagca tagccaaaga gtcgtataga agggcttatt attattgtaa ggtatgtaaa
     1261 aacaaatgaa aatttgttaa tatcaagtta tcattcttca aaaaaaaaa
Existe un método ya visto para poder acceder a esta información de forma individual: utilizar el módulo Bio.SeqIO. 
1
2
3
4
5
6
from Bio import Entrez
from Bio import SeqIO
Entrez.email = "victorfernandezramirez1@hotmail.com"
busqueda = Entrez.efetch(db="nucleotide", id="NM_001247553", rettype="gb", retmode="text")
registro = SeqIO.read(busqueda, "genbank")
busqueda.close()
Ahora podremos acceder de forma individual a la distinta información almacenada en la variable registro: 
1
2
3
4
5
6
7
8
>>> print(registro.id)
NM_001247553.3

>>> print(registro.description)
print(registro.description)

>>> print(registro.seq)
GTCAAAGAAACTGAAACTAA...GTTATCATTCTTCAAAAAAAAAA

Recomendación

Este apartado es fundamental que lo practique, ya que en unos simples comandos puede realizar una búsqueda en PubMed y acceder a la secuencia nucleotídica de un gen problema para trabajar con ella...¡y todo desde Python!

Resumen

En este apartado se le ha enseñado una serie de funcionalidades de Biopython que seguro que le serán de ayuda, pudiendo trabajar a su antojo con archivos FASTA desde la terminal de Python.

No obstante, debe saber que Biopython permite realizar funciones muy avanzadas, como trabajar con archivos de secuenciación (filtrado, indexado..), realizar alineamientos múltiples (basado en herramientas como MUSCLE o ClustalW) o análisis de motivos de secuencias.

Si quiere profundizar en sus conocimientos sobre el paquete Biopython, le recomendamos que acceda al libro de cocina de Biopython.

Volver al principio