Является ли метод index_db из объекта SeqIO в Biopython медленным?

Question

Я получил это:

files = glob.glob(str(dir_path) + "*.fa") 
index = SeqIO.index_db(index_filename, files, "fasta") 

seq = index[accession] # Slow 
index.close() 

return seq 

и я работаю на больших файлах (генные последовательности), но по некоторым причинам, она занимает около 4 secondes, чтобы получить последовательность я ищу. Мне интересно, может ли метод index_db быть таким медленным? Использую ли я правильный метод?

Спасибо.

Answer 1

При создании базы данных в первый раз может потребоваться некоторое время. В следующий раз, если вы не удаляете созданный index_filename, он должен идти быстрее.

Допустим, у вас есть 25 файлов с некоторыми генами. Этот метод создает SQLite DB, который помогает находить последовательности между файлами, такие как «Get me the gene XXX», а SQLite/index_db знает, что ген находится в файле 12.fasta и его точном расположении внутри файла. Поэтому Biopython открывает файл и быстро сканирует положение гена.

Без этого index_db вам необходимо загрузить каждую запись в память, которая быстрая, но некоторые файлы могут не вписываться в ОЗУ.

---

Если вы хотите скорость выборки регионов вы можете использовать FastaFile from pysam и samtools. Как это:

1. Вы должны индексировать все FASTA файлы с faidx:

   $ samtools faidx big_fasta.fas 
   

2. из кода написать что-то вроде этого:

   from pysam import FastaFile 
   
   rec = FastaFile("big_fasta.fas") # big_fasta.fas.fai must exist. 
   seq = rec.fetch(reference=gene_name, start=1000, end= 1200) 
   
   print(s) 
   

В моем компьютере это на 2 порядка быстрее, чем Biopython для одной и той же операции, но вы получаете только чистую секцию основания баз.