Biopython：使用 Python 進行計算分子生物學
概述
Biopython 是一套全面且自由使用的 Python 生物運算工具。它提供序列操作、檔案 I/O、資料庫存取、結構生物資訊、系統發育學及許多其他生物資訊任務的功能。當前版本為 Biopython 1.87（2026 年 3 月 30 日發布）。它支援 Python 3.10-3.14 及 PyPy3.10，並需要 NumPy。Biopython 1.87 在解析不受信任的檔案時也處理了 Bio.Entrez.Parser 中的 CVE-2025-68463，因此對於解析外部提供的 Entrez XML 的工作流程，請優先使用 1.87 或更新版本。
何時使用此技能
請在以下情況使用此技能：
- 處理生物序列（DNA、RNA 或蛋白質）
- 讀取、寫入或轉換生物檔案格式（FASTA、GenBank、FASTQ、PDB、mmCIF 等）
- 透過 Entrez 存取 NCBI 資料庫（GenBank、PubMed、Protein、Gene 等）
- 執行 BLAST 搜尋或解析 BLAST 結果
- 進行序列比對（成對或多序列比對）
- 分析 PDB 檔案中的蛋白質結構
- 建立、操作或視覺化系統發育樹
- 尋找序列模體（motif）或分析模體模式
- 計算序列統計資料（GC 含量、分子量、熔解溫度等）
- 執行結構生物資訊任務
- 處理群體遺傳學資料
- 任何其他計算分子生物學任務
核心功能
Biopython 被組織成模組化的子套件，每個子套件處理特定的生物資訊領域：
- 序列處理 - Bio.Seq 和 Bio.SeqIO 用於序列操作和檔案 I/O
- 比對分析 - Bio.Align 和 Bio.AlignIO 用於成對和多序列比對
- 資料庫存取 - Bio.Entrez 用於程式化存取 NCBI 資料庫
- BLAST 操作 - Bio.Blast 用於執行和解析 BLAST 搜尋
- 結構生物資訊 - Bio.PDB 用於處理 3D 蛋白質結構
- 系統發育學 - Bio.Phylo 用於系統發育樹的操作和視覺化
- 進階功能 - 模體、群體遺傳學、序列工具等
安裝與設定
為確保可重現性，請使用明確的版本固定安裝最新的穩定 Biopython 版本：
uv pip install "biopython==1.87"
對於 NCBI 資料庫存取，請務必設定您的電子郵件地址（NCBI 要求）。對於可重複使用的軟體，請設定穩定的 Entrez.tool 值，並向 NCBI 註冊該工具/電子郵件。如需更高的速率限制（每秒 10 個請求而非 3 個），請僅從環境變數讀取 NCBI_API_KEY——請勿硬編碼金鑰或載入不相關的環境變數：
import os
from Bio import Entrez
Entrez.email = "[email protected]" # 必要——請使用您的真實電子郵件
Entrez.tool = "your_tool_name" # 可選，但建議用於可重複使用的軟體
# 可選：在 https://www.ncbi.nlm.nih.gov/account/settings/ 註冊
if api_key := os.environ.get("NCBI_API_KEY"):
Entrez.api_key = api_key
使用此技能
此技能提供按功能領域組織的全面文件。處理任務時，請查閱相關的參考文件：
1. 序列處理（Bio.Seq 與 Bio.SeqIO）
參考文件： references/sequence_io.md
用於：
- 建立和操作生物序列
- 讀取和寫入序列檔案（FASTA、GenBank、FASTQ 等）
- 在檔案格式之間進行轉換
- 從大型檔案中提取序列
- 序列轉譯、轉錄和反向互補
- 使用 SeqRecord 物件
快速範例：
from Bio import SeqIO
# 從 FASTA 檔案讀取序列
for record in SeqIO.parse("sequences.fasta", "fasta"):
print(f"{record.id}: {len(record.seq)} bp")
# 將 GenBank 轉換為 FASTA
SeqIO.convert("input.gb", "genbank", "output.fasta", "fasta")
2. 比對分析（Bio.Align 與 Bio.AlignIO）
參考文件： references/alignment.md
用於：
- 成對序列比對（全域和區域）
- 讀取和寫入多序列比對
- 使用取代矩陣（BLOSUM、PAM）
- 計算比對統計資料
- 自訂比對參數
快速範例：
from Bio import Align
# 成對比對
aligner = Align.PairwiseAligner()
aligner.mode = 'global'
alignments = aligner.align("ACCGGT", "ACGGT")
print(alignments[0])
3. 資料庫存取（Bio.Entrez）
參考文件： references/databases.md
用於：
- 搜尋 NCBI 資料庫（PubMed、GenBank、Protein、Gene 等）
- 下載序列和記錄
- 擷取出版物資訊
- 跨資料庫尋找相關記錄
- 使用適當的速率限制進行批次下載
快速範例：
from Bio import Entrez
Entrez.email = "[email protected]"
# 搜尋 PubMed
handle = Entrez.esearch(db="pubmed", term="biopython", retmax=10)
results = Entrez.read(handle)
handle.close()
print(f"找到 {results['Count']} 筆結果")
4. BLAST 操作（Bio.Blast）
參考文件： references/blast.md
用於：
- 透過 NCBI 網路服務執行 BLAST 搜尋
- 執行本地 BLAST 搜尋
- 解析 BLAST XML 輸出
- 按 E-value 或相似度篩選結果
- 提取命中序列
快速範例：
from Bio.Blast import NCBIWWW, NCBIXML
# 執行 BLAST 搜尋
result_handle = NCBIWWW.qblast("blastn", "nt", "ATCGATCGATCG")
blast_record = NCBIXML.read(result_handle)
# 顯示頂部命中
for alignment in blast_record.alignments[:5]:
print(f"{alignment.title}: E-value={alignment.hsps[0].expect}")
5. 結構生物資訊（Bio.PDB）
參考文件： references/structure.md
用於：
- 解析 PDB 和 mmCIF 結構檔案
- 導覽蛋白質結構層級（SMCRA：結構/模型/鏈/殘基/原子）
- 計算距離、角度和二面角
- 二級結構指派（DSSP）
- 結構疊合和 RMSD 計算
- 從結構中提取序列
快速範例：
from Bio.PDB import PDBParser
# 解析結構
parser = PDBParser(QUIET=True)
structure = parser.get_structure("1crn", "1crn.pdb")
# 計算兩個 α 碳之間的距離
chain = structure[0]["A"]
distance = chain[10]["CA"] - chain[20]["CA"]
print(f"距離：{distance:.2f} Å")
6. 系統發育學（Bio.Phylo）
參考文件： references/phylogenetics.md
用於：
- 讀取和寫入系統發育樹（Newick、NEXUS、phyloXML）
- 從距離矩陣或比對結果建立樹
- 樹操作（修剪、重新定根、階梯化）
- 計算系統發育距離
- 建立一致樹
- 視覺化樹
快速範例：
from Bio import Phylo
# 讀取並視覺化樹
tree = Phylo.read("tree.nwk", "newick")
Phylo.draw_ascii(tree)
# 計算距離
distance = tree.distance("Species_A", "Species_B")
print(f"距離：{distance:.3f}")
7. 進階功能
參考文件： references/advanced.md
用於：
- 序列模體（Bio.motifs）- 尋找和分析模體模式
- 群體遺傳學（Bio.PopGen）- GenePop 檔案、Fst 計算、Hardy-Weinberg 檢定
- 序列工具（Bio.SeqUtils）- GC 含量、熔解溫度、分子量、蛋白質分析
- 限制酶分析（Bio.Restriction）- 尋找限制酶切位
- 分群（Bio.Cluster）- K-means 和階層式分群
- 基因體圖譜（GenomeDiagram）- 視覺化基因體特徵
快速範例：
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
閱讀文件
當使用者詢問特定的 Biopython 任務時：
- 根據任務描述識別相關模組
- 使用 Read 工具閱讀適當的參考檔案
- 提取相關的程式碼模式並根據使用者的特定需求進行調整
- 組合多個模組當任務需要時
參考檔案的搜尋模式範例：
# 尋找特定函數的資訊
rg -n "SeqIO.parse" references/sequence_io.md
# 尋找特定任務的範例
rg -n "BLAST" references/blast.md
# 尋找特定概念的資訊
rg -n "alignment" references/alignment.md
撰寫 Biopython 程式碼
撰寫 Biopython 程式碼時請遵循這些原則：
-
明確匯入模組
from Bio import SeqIO, Entrez from Bio.Seq import Seq -
使用 NCBI 資料庫時設定 Entrez.email；僅從環境變數載入
NCBI_API_KEY（如果存在）import 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 -
使用適當的檔案格式 - 檢查哪種格式最適合該任務
# 常見格式："fasta"、"genbank"、"fastq"、"clustal"、"phylip" -
妥善處理檔案 - 使用後關閉控制代碼或使用內容管理器
with open("file.fasta") as handle: records = SeqIO.parse(handle, "fasta") -
對大型檔案使用迭代器 - 避免將所有內容載入記憶體
for record in SeqIO.parse("large_file.fasta", "fasta"): # 一次處理一筆記錄 -
妥善處理錯誤 - 網路操作和檔案解析可能失敗
from urllib.error import HTTPError try: handle = Entrez.efetch(db="nucleotide", id=accession) except HTTPError as e: print(f"錯誤：{e}")
常用模式
模式 1：從 GenBank 擷取序列
from Bio import Entrez, SeqIO
Entrez.email = "[email protected]"
# 擷取序列
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"序列長度：{len(record.seq)}")
模式 2：序列分析管線
from Bio import SeqIO
from Bio.SeqUtils import gc_fraction
for record in SeqIO.parse("sequences.fasta", "fasta"):
# 計算統計資料
gc = gc_fraction(record.seq)
length = len(record.seq)
# 尋找 ORF、轉譯等
protein = record.seq.translate()
print(f"{record.id}: {length} bp, GC={gc:.2%}")
模式 3：BLAST 並擷取頂部命中
from Bio.Blast import NCBIWWW, NCBIXML
from Bio import Entrez, SeqIO
Entrez.email = "[email protected]"
# 執行 BLAST
result_handle = NCBIWWW.qblast("blastn", "nt", sequence)
blast_record = NCBIXML.read(result_handle)
# 取得頂部命中的存取號
accessions = [aln.accession for aln in blast_record.alignments[:5]]
# 擷取序列
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：從序列建立系統發育樹
from Bio import AlignIO, Phylo
from Bio.Phylo.TreeConstruction import DistanceCalculator, DistanceTreeConstructor
# 讀取比對結果
alignment = AlignIO.read("alignment.fasta", "fasta")
# 計算距離
calculator = DistanceCalculator("identity")
dm = calculator.get_distance(alignment)
# 建立樹
constructor = DistanceTreeConstructor()
tree = constructor.nj(dm)
# 視覺化
Phylo.draw_ascii(tree)
最佳實務
- 在撰寫程式碼之前務必閱讀相關的參考文件
- 使用 grep 搜尋參考檔案以尋找特定函數或範例
- 在解析之前驗證檔案格式
- 妥善處理遺失的資料 - 並非所有記錄都有所有欄位
- 快取下載的資料 - 不要重複下載相同的序列
- 尊重 NCBI 的速率限制 - 使用 API 金鑰、為可重複使用的軟體註冊工具/電子郵件值，並對大型作業使用 Entrez 歷史記錄/批次處理
- 先用小資料集測試，然後再處理大型檔案
- 保持 Biopython 更新以獲得最新的功能和錯誤修正
- 使用適當的遺傳密碼表進行轉譯
- 記錄分析參數以確保可重現性
常見問題疑難排解
問題："No handlers could be found for logger 'Bio.Entrez'"
解決方案： 這只是一個警告。設定 Entrez.email 即可抑制它。
問題：來自 NCBI 的 "HTTP Error 400"
解決方案： 檢查 ID/存取號是否有效且格式正確。
問題：解析檔案時出現 "ValueError: EOF"
解決方案： 驗證檔案格式是否與指定的格式字串相符。
問題：比對失敗，顯示 "sequences are not the same length"
解決方案： 在使用 AlignIO 或 MultipleSeqAlignment 之前，確保序列已比對。
問題：BLAST 搜尋速度慢
解決方案： 對於大規模搜尋，請使用本地 BLAST，或快取結果。
問題：PDB 解析器警告
解決方案： 使用 PDBParser(QUIET=True) 來抑制警告，或調查結構品質。
問題：Bio.HMM、Bio.MarkovModel 或 Bio.Application 的 ImportError
解決方案： 這些模組已在 Biopython 1.86 中移除。對於 HMM，請使用 hmmlearn；並使用標準函式庫的 subprocess 模組來替代 Bio.Application CLI 包裝器。
問題：升級到 1.86+ 後 PairwiseAligner 返回的比對結果變少了
解決方案： 預設的缺口分數在 1.86 中從 0 改為 -1，消除了瑣碎的平手比對。如果需要，設定 aligner.gap_score = 0 以恢復舊的行為（請參閱 references/alignment.md）。