Biopython：Python 中的计算分子生物学
概述
Biopython 是一套全面的免费 Python 工具，用于生物计算。它提供序列操作、文件 I/O、数据库访问、结构生物信息学、系统发育学和许多其他生物信息学任务的功能。当前版本为 Biopython 1.87（发布于 2026 年 3 月 30 日）。它支持 Python 3.10-3.14 和 PyPy3.10，并且需要 NumPy。Biopython 1.87 还解决了在解析不受信任文件时 Bio.Entrez.Parser 中的 CVE-2025-68463 问题，因此对于需要解析外部提供的 Entrez XML 的工作流程，建议使用 1.87 或更高版本。
何时使用此技能
在以下情况下使用此技能：
- 处理生物序列（DNA、RNA 或蛋白质）
- 读取、写入或转换生物文件格式（FASTA、GenBank、FASTQ、PDB、mmCIF 等）
- 通过 Entrez 访问 NCBI 数据库（GenBank、PubMed、Protein、Gene 等）
- 运行 BLAST 搜索或解析 BLAST 结果
- 执行序列比对（成对比对或多序列比对）
- 分析 PDB 文件中的蛋白质结构
- 创建、操作或可视化系统发育树
- 查找序列模体或分析模体模式
- 计算序列统计信息（GC 含量、分子量、熔解温度等）
- 执行结构生物信息学任务
- 处理群体遗传学数据
- 任何其他计算分子生物学任务
核心能力
Biopython 组织成模块化的子包，每个子包针对特定的生物信息学领域：
- 序列处理 - Bio.Seq 和 Bio.SeqIO 用于序列操作和文件 I/O
- 比对分析 - Bio.Align 和 Bio.AlignIO 用于成对和多序列比对
- 数据库访问 - Bio.Entrez 用于程序化访问 NCBI 数据库
- BLAST 操作 - Bio.Blast 用于运行和解析 BLAST 搜索
- 结构生物信息学 - Bio.PDB 用于处理 3D 蛋白质结构
- 系统发育学 - Bio.Phylo 用于系统发育树的操作和可视化
- 高级特性 - 模体、群体遗传学、序列实用工具等
安装与设置
安装当前稳定的 Biopython 版本，并明确锁定版本以确保可重复性：
uv pip install "biopython==1.87"
对于 NCBI 数据库访问，始终设置您的电子邮件地址（NCBI 要求）。对于可重用软件，请设置一个稳定的 Entrez.tool 值，并向 NCBI 注册该工具/电子邮件。要获得更高的速率限制（10 请求/秒而不是 3 请求/秒），仅从环境变量读取 NCBI_API_KEY —— 不要硬编码密钥或加载不相关的环境变量：
import os
from Bio import Entrez
Entrez.email = "[email protected]" # 必需 —— 使用您的真实电子邮件
Entrez.tool = "your_tool_name" # 可选，但对于可重用软件推荐设置
# 可选：在 https://www.ncbi.nlm.nih.gov/account/settings/ 注册
if api_key := os.environ.get("NCBI_API_KEY"):
Entrez.api_key = api_key
使用此技能
此技能提供按功能领域组织的全面文档。处理任务时，请查阅相关的参考文档：
1. 序列处理 (Bio.Seq & Bio.SeqIO)
参考文档： references/sequence_io.md
用于：
- 创建和操作生物序列
- 读取和写入序列文件（FASTA、GenBank、FASTQ 等）
- 在文件格式之间转换
- 从大文件中提取序列
- 序列翻译、转录和反向互补
- 处理 SeqRecord 对象
快速示例：
from Bio import SeqIO
# 从 FASTA 文件读取序列
for record in SeqIO.parse("sequences.fasta", "fasta"):
print(f"{record.id}: {len(record.seq)} bp")
# 将 GenBank 转换为 FASTA
SeqIO.convert("input.gb", "genbank", "output.fasta", "fasta")
2. 比对分析 (Bio.Align & Bio.AlignIO)
参考文档： references/alignment.md
用于：
- 成对序列比对（全局和局部）
- 读取和写入多序列比对
- 使用替代矩阵（BLOSUM、PAM）
- 计算比对统计信息
- 自定义比对参数
快速示例：
from Bio import Align
# 成对比对
aligner = Align.PairwiseAligner()
aligner.mode = 'global'
alignments = aligner.align("ACCGGT", "ACGGT")
print(alignments[0])
3. 数据库访问 (Bio.Entrez)
参考文档： references/databases.md
用于：
- 搜索 NCBI 数据库（PubMed、GenBank、Protein、Gene 等）
- 下载序列和记录
- 获取出版物信息
- 跨数据库查找相关记录
- 使用适当的速率限制进行批量下载
快速示例：
from Bio import Entrez
Entrez.email = "[email protected]"
# 搜索 PubMed
handle = Entrez.esearch(db="pubmed", term="biopython", retmax=10)
results = Entrez.read(handle)
handle.close()
print(f"找到 {results['Count']} 条结果")
4. BLAST 操作 (Bio.Blast)
参考文档： references/blast.md
用于：
- 通过 NCBI 网络服务运行 BLAST 搜索
- 运行本地 BLAST 搜索
- 解析 BLAST XML 输出
- 按 E-value 或一致性过滤结果
- 提取命中序列
快速示例：
from Bio.Blast import NCBIWWW, NCBIXML
# 运行 BLAST 搜索
result_handle = NCBIWWW.qblast("blastn", "nt", "ATCGATCGATCG")
blast_record = NCBIXML.read(result_handle)
# 显示前几个命中
for alignment in blast_record.alignments[:5]:
print(f"{alignment.title}: E-value={alignment.hsps[0].expect}")
5. 结构生物信息学 (Bio.PDB)
参考文档： references/structure.md
用于：
- 解析 PDB 和 mmCIF 结构文件
- 导航蛋白质结构层次（SMCRA：结构/模型/链/残基/原子）
- 计算距离、角度和二面角
- 二级结构分配 (DSSP)
- 结构叠加和 RMSD 计算
- 从结构中提取序列
快速示例：
from Bio.PDB import PDBParser
# 解析结构
parser = PDBParser(QUIET=True)
structure = parser.get_structure("1crn", "1crn.pdb")
# 计算两个α碳之间的距离
chain = structure[0]["A"]
distance = chain[10]["CA"] - chain[20]["CA"]
print(f"距离: {distance:.2f} Å")
6. 系统发育学 (Bio.Phylo)
参考文档： references/phylogenetics.md
用于：
- 读取和写入系统发育树（Newick、NEXUS、phyloXML）
- 从距离矩阵或比对构建树
- 树操作（修剪、重定根、阶梯化）
- 计算系统发育距离
- 创建共识树
- 可视化树
快速示例：
from Bio import Phylo
# 读取并可视化树
tree = Phylo.read("tree.nwk", "newick")
Phylo.draw_ascii(tree)
# 计算距离
distance = tree.distance("Species_A", "Species_B")
print(f"距离: {distance:.3f}")
7. 高级特性
参考文档： references/advanced.md
用于：
- 序列模体 (Bio.motifs) - 查找和分析模体模式
- 群体遗传学 (Bio.PopGen) - GenePop 文件、Fst 计算、Hardy-Weinberg 检验
- 序列实用工具 (Bio.SeqUtils) - GC 含量、熔解温度、分子量、蛋白质分析
- 限制性酶切分析 (Bio.Restriction) - 查找限制性酶切位点
- 聚类 (Bio.Cluster) - K-means 和层次聚类
- 基因组图谱 (GenomeDiagram) - 可视化基因组特征
快速示例：
from Bio.SeqUtils import gc_fraction, molecular_weight
from Bio.Seq import Seq
seq = Seq("ATCGATCGATCG")
print(f"GC 含量: {gc_fraction(seq):.2%}")
print(f"分子量: {molecular_weight(seq, seq_type='DNA'):.2f} g/mol")
通用工作流程指南
阅读文档
当用户询问特定的 Biopython 任务时：
- 根据任务描述确定相关模块
- 使用 Read 工具阅读适当的参考文件
- 提取相关代码模式并根据用户的具体需求进行调整
- 在任务需要时组合多个模块
参考文件的搜索模式示例：
# 查找特定函数的信息
rg -n "SeqIO.parse" references/sequence_io.md
# 查找特定任务的示例
rg -n "BLAST" references/blast.md
# 查找特定概念的信息
rg -n "alignment" references/alignment.md
编写 Biopython 代码
编写 Biopython 代码时遵循以下原则：
-
显式导入模块
from Bio import SeqIO, Entrez from Bio.Seq import Seq -
使用 NCBI 数据库时设置 Entrez.email；如果存在，仅从环境变量加载
NCBI_API_KEYimport os from Bio import Entrez Entrez.email = "[email protected]" Entrez.tool = "your_tool_name" if api_key := os.environ.get("NCBI_API_KEY"): Entrez.api_key = api_key -
使用适当的文件格式 - 检查哪种格式最适合任务
# 常见格式："fasta"、"genbank"、"fastq"、"clustal"、"phylip" -
正确处理文件 - 使用后关闭句柄或使用上下文管理器
with open("file.fasta") as handle: records = SeqIO.parse(handle, "fasta") -
对大文件使用迭代器 - 避免将所有内容加载到内存中
for record in SeqIO.parse("large_file.fasta", "fasta"): # 一次处理一条记录 -
优雅地处理错误 - 网络操作和文件解析可能失败
from urllib.error import HTTPError try: handle = Entrez.efetch(db="nucleotide", id=accession) except HTTPError as e: print(f"错误: {e}")
常见模式
模式 1：从 GenBank 获取序列
from Bio import Entrez, SeqIO
Entrez.email = "[email protected]"
# 获取序列
handle = Entrez.efetch(db="nucleotide", id="EU490707", rettype="gb", retmode="text")
record = SeqIO.read(handle, "genbank")
handle.close()
print(f"描述: {record.description}")
print(f"序列长度: {len(record.seq)}")
模式 2：序列分析流程
from Bio import SeqIO
from Bio.SeqUtils import gc_fraction
for record in SeqIO.parse("sequences.fasta", "fasta"):
# 计算统计信息
gc = gc_fraction(record.seq)
length = len(record.seq)
# 查找 ORF、翻译等
protein = record.seq.translate()
print(f"{record.id}: {length} bp, GC={gc:.2%}")
模式 3：BLAST 并获取顶级命中
from Bio.Blast import NCBIWWW, NCBIXML
from Bio import Entrez, SeqIO
Entrez.email = "[email protected]"
# 运行 BLAST
result_handle = NCBIWWW.qblast("blastn", "nt", sequence)
blast_record = NCBIXML.read(result_handle)
# 获取顶级命中的登录号
accessions = [aln.accession for aln in blast_record.alignments[:5]]
# 获取序列
for acc in accessions:
handle = Entrez.efetch(db="nucleotide", id=acc, rettype="fasta", retmode="text")
record = SeqIO.read(handle, "fasta")
handle.close()
print(f">{record.description}")
模式 4：从序列构建系统发育树
from Bio import AlignIO, Phylo
from Bio.Phylo.TreeConstruction import DistanceCalculator, DistanceTreeConstructor
# 读取比对
alignment = AlignIO.read("alignment.fasta", "fasta")
# 计算距离
calculator = DistanceCalculator("identity")
dm = calculator.get_distance(alignment)
# 构建树
constructor = DistanceTreeConstructor()
tree = constructor.nj(dm)
# 可视化
Phylo.draw_ascii(tree)
最佳实践
- 在编写代码前始终阅读相关参考文档
- 使用 grep 搜索参考文件查找特定函数或示例
- 在解析前验证文件格式
- 优雅地处理缺失数据 - 并非所有记录都有所有字段
- 缓存下载的数据 - 不要重复下载相同的序列
- 遵守 NCBI 速率限制 - 对于可重用软件，使用 API 密钥、注册工具/电子邮件值，并使用 Entrez 历史记录/批处理处理大型任务
- 先用小数据集测试，再处理大文件
- 保持 Biopython 更新以获取最新功能和错误修复
- 使用适当的遗传密码表进行翻译
- 记录分析参数以确保可重复性
常见问题排查
问题："No handlers could be found for logger 'Bio.Entrez'"
解决方案： 这只是警告。设置 Entrez.email 即可消除。
问题：来自 NCBI 的 "HTTP Error 400"
解决方案： 检查 ID/登录号是否有效且格式正确。
问题：解析文件时出现 "ValueError: EOF"
解决方案： 验证文件格式是否与指定的格式字符串匹配。
问题：比对失败，提示 "sequences are not the same length"
解决方案： 确保在使用 AlignIO 或 MultipleSeqAlignment 之前序列已经比对。
问题：BLAST 搜索速度慢
解决方案： 对于大规模搜索，使用本地 BLAST，或缓存结果。
问题：PDB 解析器警告
解决方案： 使用 PDBParser(QUIET=True) 抑制警告，或调查结构质量。
问题：Bio.HMM、Bio.MarkovModel 或 Bio.Application 的 ImportError
解决方案： 这些模块已在 Biopython 1.86 中移除。对于 HMM，请使用 hmmlearn；对于 CLI 包装器，请使用标准库 subprocess 模块替代 Bio.Application。
问题：升级到 1.86+ 后 PairwiseAligner 返回的比对数量减少
解决方案： 在 1.86 中，默认空位评分从 0 变为 -1，从而消除了无关紧要的比对。如果需要恢复旧行为，请设置 aligner.gap_score = 0（请参阅 references/alignment.md）。