はじめに

生物情報学では、DNAやタンパク質の配列データを扱う際に、テキストベースの形式であるFASTA形式が一般的に使用されます。今回は、このFASTA形式について解説し、PythonとBioPythonを使ったFASTAファイルの読み込み方法を紹介します。

FASTA形式とは？

FASTA形式は、シーケンスデータ（DNA、RNA、タンパク質など）を表現するためのシンプルなテキスト形式です。基本的な構造は以下の通りです：

ヘッダーライン: 先頭が '>' 記号で始まり、その後に配列の識別子とオプションで記述が続きます。例えば、">sequence1 description here"
シーケンスライン: ヘッダーの次の行から配列が記述されます。一般に、一行には80文字まで含めますが、これは必須ではありません。
例:

>sequence1
ATGGCCATGGCGCCCCAGCACTAAGAAAGAGGAGAATGAGCTGATGTTAGAAGGACAAGG
>sequence2
ATGGCCATGTCGCCCCAGCATTAAGAAAAGGAGAATGAGCTGATGTTAGAAGGACAAGG

この例では2つの配列があり、それぞれの配列はヘッダーラインで始まり、次にその配列が続きます。

PythonとBioPythonを使ったFASTAファイルの読み込み方法

PythonでFASTAファイルを読み込むための方法はいくつかありますが、その中でもBioPythonというライブラリを使用する方法が一般的です。BioPythonにはBio.SeqIOというモジュールがあり、これを使用するとFASTA形式のファイルを簡単に読み込むことができます。

以下にBioPythonを使用してFASTAファイルを読み取る基本的なコードを示します:

from Bio import SeqIO

def read_fasta_file(filename):
    sequences = []

    for record in SeqIO.parse(filename, "fasta"):
        sequences.append(record)

    return sequences

filename = "path_to_your_file.fasta"
sequences = read_fasta_file(filename)

for seq in sequences:
    print("ID:", seq.id)
    print("Sequence:", seq.seq)
    print("Description:", seq.description)

このコードでは、BioPythonのSeqIO.parse関数を使用してファイルを読み取ります。この関数は、ファイル名とファイル形式（この場合は"fasta"）を引数に取ります。

SeqIO.parse関数はジェネレータを返し、各要素はSeqRecordオブジェクトです。SeqRecordオブジェクトには、識別子(id), シーケンス(seq), 記述(description)などの情報が含まれます。

全ての配列データを一度にメモリにロードすると問題になる場合（たとえば、非常に大きなファイルを扱う場合など）は、ジェネレータを直接処理すると効率的です。

from Bio import SeqIO

def process_sequences(filename):
    for record in SeqIO.parse(filename, "fasta"):
        print("ID:", record.id)
        print("Sequence:", seq.seq)
        print("Description:", seq.description)

filename = "path_to_your_file.fasta"
process_sequences(filename)

このコードでは、各シーケンスが読み込まれるたびにそれを処理します。これにより、全てのシーケンスを一度にメモリにロードする必要がなくなり、大きなファイルを効率的に扱うことができます。

まとめ

BioPythonを使うと、PythonでFASTA形式のファイルを簡単に読み取ることができます。生物情報学におけるデータ解析や研究に、ぜひ活用してみてください。