下载基因组外显子信心
网站 ftp://ftp.ncbi.nlm.nih.gov/pub/CCDS/current_human/
wget ftp://ftp.ncbi.nlm.nih.gov/pub/CCDS/current_human/CCDS.current.txt
运行下列代码 得到外显子大约36M
import
re
import
os
from
collections
import
OrderedDict
from
operator
import
itemgetter
os.chdir(
'/Users/yangqin/Desktop/biotree/python/'
)
exonLength
=
0
# 外显子长度尚未计算
overlapExons
=
OrderedDict()
with
open
(
'CCDS.current.txt'
,
'rt'
) as f:
# 把CCCDS.current.txt打开定义为f
for
line
in
f:
# 逐行读取f
if
line.startswith(
'#'
): # 如果该行以井号开头，该行为表头
continue
# 跳过该行
line
=
line.rstrip()
# 把右边的空格去掉，_.rstrip()把右边的空格去掉
lst
=
line.split(
'\t'
)
# 用split分开该行的各列数据，以\t分隔
if
lst[
-
2
]
=
=
'-'
:
# 如果倒数第二列是‘-’，没有外显子
continue
# 跳过该行
lst[
-
2
]
=
re.sub(
'\[|\]'
,
' '
, lst[
-
2
])
# 正则表达式，去掉倒数第二列两端的[]，换成空格
exons
=
lst[
-
2
].split(
', '
)
# 把该列（每个基因）多个外显子隔开
for
exon
in
exons:
# 对于每一个外显子
start
=
int
(exon.split(
'-'
)[
0
])
# 拿到该外显子的起始坐标
end
=
int
(exon.split(
'-'
)[
1
])
# 拿到该外显子的终止坐标
coordinate
=
lst[
0
]
+
':'
+
exon
# 定义每一个外显子，以防重复计算
if
coordinate
not
in
overlapExons.keys():
# 如果该外显子尚未计算
overlapExons[coordinate]
=
1
# 加入该外显子
exonLength
+
=
end
-
start
# 计算长度
print
(exonLength)
36061455