脚本分享—gbk文件中提取蛋白质序列以及注释信息

脚本简介：

本脚本用于从 GenBank（GBK）格式文件中提取蛋白质序列，并将结果输出为 FASTA 格式文件。主要功能包括：

• 提取 CDS 区域的蛋白质序列；
• 可根据参数选择是否在序列标题中附加蛋白质的功能注释；

该脚本适用于基因组注释分析、蛋白质功能预测等常见生物信息学任务。

安装biopython模块：

# 使用pip安装
pip install biopython
# 使用conda安装
conda install -c bioconda biopython

查看脚本帮助文档：

python Gbk_extea_protein.py -h

脚本使用方法：

1）脚本准备文件如下图所示

2）注意事项

• GBK文件从NCBI GeneBank数据库下载，文件中必须包含蛋白质文件；
• 对于基因组较大的真核生物，如人基因组，gbk文件有多个染色体组成，不包含蛋白序列文件，这样的gbk文件无法使用脚本提取蛋白质序列；
• 程序依赖于biopython模块，需要提前安装好；

实战演习

# 只提取蛋白质序列和蛋白质ID
python Gbk_extea_protein.py -g NC_000913.gbk -a F -o NC_000913_protein.faa
# 提取蛋白质序列以及序列的注释信息
python Gbk_extea_protein.py -g NC_000913.gbk -a T -o NC_000913_protein.faa

结果展示