我有一个fasta文件，如下所示。我想将three letter codes转换为单字母代码。我怎么能用python或R做到这一点？
>2ppo
ARGHISLEULEULYS
>3oot
METHISARGARGMET
期望的输出
>2ppo
RHLLK
>3oot
MHRRM
你的建议将不胜感激！
BioPython已经内置了词典来帮助完成这些翻译。以下命令将显示可用字典的完整列表：
import Bio
help(Bio.SeqUtils.IUPACData)
您正在寻找的预定义词典：
Bio.SeqUtils.IUPACData.protein_letters_3to1['Ala']
对于2017年及以后登陆的人：
这是一个单行Linux bash命令，用于将蛋白质氨基酸三字母代码转换为文本文件中的单字母代码。我知道这不是很优雅，但我希望这有助于搜索相同的人，并希望使用单行命令。
sed 's/ALA/A/g;s/CYS/C/g;s/ASP/D/g;s/GLU/E/g;s/PHE/F/g;s/GLY/G/g;s/HIS/H/g;s/HID/H/g;s/HIE/H/g;s/ILE/I/g;s/LYS/K/g;s/LEU/L/g;s/MET/M/g;s/ASN/N/g;s/PRO/P/g;s/GLN/Q/g;s/ARG/R/g;s/SER/S/g;s/THR/T/g;s/VAL/V/g;s/TRP/W/g;s/TYR/Y/g;s/MSE/X/g' < input_file_three_letter_code.txt > output_file_single_letter_code.txt
解决上面的原始问题，作为单个命令行：
sed 's/.\{3\}/& /g' | sed 's/ALA/A/g;s/CYS/C/g;s/ASP/D/g;s/GLU/E/g;s/PHE/F/g;s/GLY/G/g;s/HIS/H/g;s/HID/H/g;s/HIE/H/g;s/ILE/I/g;s/LYS/K/g;s/LEU/L/g;s/MET/M/g;s/ASN/N/g;s/PRO/P/g;s/GLN/Q/g;s/ARG/R/g;s/SER/S/g;s/THR/T/g;s/VAL/V/g;s/TRP/W/g;s/TYR/Y/g;s/MSE/X/g' | sed 's/ //g' < input_file_three_letter_code.txt > output_file_single_letter_code.txt
说明：
[1] qazxsw poi将分裂序列。它会在每第3个字母后添加一个空格。
[2]管道中的第二个'sed 's/.\{3\}/& /g'命令将获取上面的输出并转换为单字母代码。将任何非标准残留物作为sed'添加到此命令中。
[3]第三个's/XYZ/X/g;'命令，sed将删除空白区域。
Pytheon到孤独。
在我的工作中，烦恼的部分是氨基酸代码可以指经常出现在PDB / mmCIF文件中的修改后的代码，如
'安静' - > 'A'。
因此映射可以超过22对。 Python中的第三方工具就像
Bio.SeqUtils.IUPACData.protein_letters_3to1
无法处理它。我最简单的解决方案是使用sed 's/ //g'查找映射，并在遇到它们时在我自己的函数中将不寻常的映射添加到dict。
http://www.ebi.ac.uk/pdbe-srv/pdbechem
另一个解决方案是在线检索映射（但url和html模式可能会随时间变化）：
def three_to_one(three_letter_code):
mapping = {'Aba':'A','Ace':'X','Acr':'X','Ala':'A','Aly':'K','Arg':'R','Asn':'N','Asp':'D','Cas':'C',
'Ccs':'C','Cme':'C','Csd':'C','Cso':'C','Csx':'C','Cys':'C','Dal':'A','Dbb':'T','Dbu':'T',
'Dha':'S','Gln':'Q','Glu':'E','Gly':'G','Glz':'G','His':'H','Hse':'S','Ile':'I','Leu':'L',
'Llp':'K','Lys':'K','Men':'N','Met':'M','Mly':'K','Mse':'M','Nh2':'X','Nle':'L','Ocs':'C',
'Pca':'E','Phe':'F','Pro':'P','Ptr':'Y','Sep':'S','Ser':'S','Thr':'T','Tih':'A','Tpo':'T',
'Trp':'W','Tyr':'Y','Unk':'X','Val':'V','Ycm':'C','Sec':'U','Pyl':'O'} # you can add more
return mapping[three_letter_code[0].upper() + three_letter_code[1:].lower()]
为了简单起见，我在这里直接使用re而不是html解析器。
希望这些可以帮助。
使用字典查找单字母代码：
d = {'CYS': 'C', 'ASP': 'D', 'SER': 'S', 'GLN': 'Q', 'LYS': 'K',
'ILE': 'I', 'PRO': 'P', 'THR': 'T', 'PHE': 'F', 'ASN': 'N',
'GLY': 'G', 'HIS': 'H', 'LEU': 'L', 'ARG': 'R', 'TRP': 'W',
'ALA': 'A', 'VAL':'V', 'GLU': 'E', 'TYR': 'Y', 'MET': 'M'}
还有一个简单的函数可以匹配三个字母代码和整个字符串的一个字母代码：
def shorten(x):
if len(x) % 3 != 0:
raise ValueError('Input length should be a multiple of three')
y = ''
for i in range(len(x)/3):
y += d[x[3*i:3*i+3]]
return y
测试你的例子：
>>> shorten('ARGHISLEULEULYS')
'RHLLK'
以下是在R中执行此操作的方法：
# Variables:
foo <- c("ARGHISLEULEULYS","METHISARGARGMET")
# Code maps:
code3 <- c("Ala", "Arg", "Asn", "Asp", "Cys", "Glu", "Gln", "Gly", "His",
"Ile", "Leu", "Lys", "Met", "Phe", "Pro", "Ser", "Thr", "Trp",
"Tyr", "Val")
code1 <- c("A", "R", "N", "D", "C", "E", "Q", "G", "H", "I", "L", "K",
"M", "F", "P", "S", "T", "W", "Y", "V")
# For each code replace 3letter code by 1letter code:
for (i in 1:length(code3))
{
foo <- gsub(code3[i],code1[i],foo,ignore.case=TRUE)
}
结果是 ：
> foo
[1] "RHLLK" "MHRRM"
请注意，我更改了变量名称，因为不允许变量名以R中的数字开头。
>>> src = "ARGHISLEULEULYS"
>>> trans = {'ARG':'R', 'HIS':'H', 'LEU':'L', 'LYS':'K'}
>>> "".join(trans[src[x:x+3]] for x in range(0, len(src), 3))
'RHLLK'
你只需要将其余的条目添加到trans字典中。
编辑：
为了制作其余的trans，你可以做到这一点。文件table：
Ala A
Arg R
Asn N
Asp D
Cys C
Glu E
Gln Q
Gly G
His H
Ile I
Leu L
Lys K
Met M
Phe F
Pro P
Ser S
Thr T
Trp W
Tyr Y
Val V
阅读：
trans = dict((l.upper(), s) for l, s in
[row.strip().split() for row in open("table").readlines()])
您可以尝试查看并安装Biopython，因为您正在解析.fasta文件，然后转换为一个字母代码。不幸的是，Biopython只有函数seq3（在包中Bio :: SeqUtils），它与你想要的相反。 IDLE中的示例输出：
>>>seq3("MAIVMGRWKGAR*")
>>>'MetAlaIleValMetGlyArgTrpLysGlyAlaArgTer'
不幸的是，没有'seq1'功能（但......）但我认为这可能会对你有所帮助。至于你的问题，Junuxx是正确的。创建一个字典并使用for循环以三个块的形式读取字符串并进行翻译。这是一个类似于他提供的功能，包括所有功能，并处理小案例。
def AAcode_3_to_1(seq):
'''Turn a three letter protein into a one letter protein.
The 3 letter code can be upper, lower, or any mix of cases
The seq input length should be a factor of 3 or else results
in an error
>>>AAcode_3_to_1('METHISARGARGMET')
>>>'MHRRM'
'''
d = {'CYS': 'C', 'ASP': 'D', 'SER': 'S', 'GLN': 'Q', 'LYS': 'K',
'ILE': 'I', 'PRO': 'P', 'THR': 'T', 'PHE': 'F', 'ASN': 'N',
'GLY': 'G', 'HIS': 'H', 'LEU': 'L', 'ARG': 'R', 'TRP': 'W', 'TER':'*',
'ALA': 'A', 'VAL':'V', 'GLU': 'E', 'TYR': 'Y', 'MET': 'M','XAA':'X'}
if len(seq) %3 == 0:
upper_seq= seq.upper()
single_seq=''
for i in range(len(upper_seq)/3):
single_seq += d[upper_seq[3*i:3*i+3]]
return single_seq
else:
print("ERROR: Sequence was not a factor of 3 in length!")
Biopython有一个很好的解决方案
>>> from Bio.PDB.Polypeptide import *
>>> three_to_one('ALA')
'A'
对于你的例子，我将通过这一个班轮解决它
>>> from Bio.PDB.Polypeptide import *
>>> str3aa = 'ARGHISLEULEULYS'
>>> "".join([three_to_one(aa3) for aa3 in [ "".join(g) for g in zip(*(iter(str3aa),) * 3)]])
>>> 'RHLLK'
他们可能批评我这种类型的一个班轮:)，但在我内心深处，我仍然爱着PERL。
使用R：
convert <- function(l) {
map <- c("A", "R", "N", "D", "C", "E", "Q", "G", "H", "I",
"L", "K", "M", "F", "P", "S", "T", "W", "Y", "V")
names(map) <- c("ALA", "ARG", "ASN", "ASP", "CYS", "GLU", "GLN",
"GLY", "HIS", "ILE", "LEU", "LYS", "MET", "PHE",
"PRO", "SER", "THR", "TRP", "TYR", "VAL")
sapply(strsplit(l, "(?<=[A-Z]{3})", perl = TRUE),
function(x) paste(map[x], collapse = ""))
}
convert(c("ARGHISLEULEULYS", "METHISARGARGMET"))
# [1] "RHLLK" "MHRRM"
# install.packages("seqinr")
# source("https://bioconductor.org/biocLite.R")
# biocLite("iPAC")
library(seqinr)
library(iPAC)
#read in file
fasta = read.fasta(file = "test_fasta.fasta", seqtype = "AA", as.string = T, set.attributes = F)
#split string
n = 3
fasta1 = lapply(fasta, substring(x,seq(1,nchar(x),n),seq(n,nchar(x),n)))
#convert the three letter code for each element in the list
fasta2 = lapply(fasta1, function(x) paste(sapply(x, get.SingleLetterCode), collapse = ""))
# > fasta2
# $`2ppo`
# [1] "RHLLK"
#
# $`3oot`
# [1] "MHRRM"
my %aa_hash=(
Ala=>'A',
Arg=>'R',
Asn=>'N',
Asp=>'D',
Cys=>'C',
Glu=>'E',
Gln=>'Q',
Gly=>'G',
His=>'H',
Ile=>'I',
Leu=>'L',
Lys=>'K',
Met=>'M',
Phe=>'F',
Pro=>'P',
Ser=>'S',
Thr=>'T',
Trp=>'W',
Tyr=>'Y',
Val=>'V',
Sec=>'U', #http://www.uniprot.org/manual/non_std;Selenocysteine (Sec) and pyrrolysine (Pyl)
Pyl=>'O',
);
while(<>){
chomp;
my $aa=$_;
warn "ERROR!! $aa invalid or not found in hash\n" if !$aa_hash{$aa};
print "$aa\t$aa_hash{$aa}\n";
}
使用此perl脚本将三元组a.a代码转换为单字母代码。