零基础玩转Python生物信息学：数据分析与算法实现

• 为什么要在生物信息学中使用 Python？

• 环境搭建：快速上手 Python 编程

• Python 发行版选择：系统自带 vs. Anaconda vs. Miniconda

• 创建虚拟环境与包管理（conda、pip）

• 推荐的编辑器 / IDE：VS Code、PyCharm、Jupyter Notebook

• 基础篇：Python 语法与常用操作回顾

• 变量与数据类型

• 条件语句、循环、函数

• 列表、字典、集合等常见数据结构

• 文件读写：读写 FASTA/FASTQ 等文本格式

• 进阶篇：常用生物信息学 Python 库介绍

• Biopython：序列操作、格式转换、在线数据库访问

• pandas 与 NumPy：高效处理表格元数据与数值计算

• matplotlib/plotly：生物信息可视化基础

• 其他常见第三方库——scikit-bio、pysam、pyfaidx、bx-python

---

1. 为什么要在生物信息学中使用 Python？

1. 易上手、语法简洁

   • 对初学者友好，学习曲线平缓。

   • 与 C/C++、Perl 等语言相比，Python 代码可读性更强，开发周期更短。

2. 生态丰富、社区活跃

   • 拥有 Biopython、scikit-bio、pandas、NumPy 等成熟开源库。

   • 大量生信工具（如 MMseqs2、pyfaidx、pysam、pybedtools 等）都提供了 Python API 或解析模块。

3. 便于快速原型和脚本自动化

   • 在科研中经常需要做“临时脚本”或“批量处理流程”，Python 可以快速编写、快速迭代。

   • 生物信息大数据场景下，通过 Python 调用命令行工具并处理结果非常方便。

4. 适合与 Web / 前端可视化结合

   • 借助 Flask、Django、Streamlit、Dash 可以轻松开发可视化生信小工具或在线平台。

小贴士：如果你对 Python 非常陌生，可以先按本文节 3 的内容做一个“Python 零基础语法快速回顾”。若已经会 Python，可跳过基础语法，直接进入实战部分。

2. 环境搭建：快速上手 Python 编程

2.1 Python 发行版选择

• 系统自带 Python

  • 大多数 Linux/Mac 系统预装 Python 2.x 或 3.x，但版本可能偏旧。

  • 不建议直接修改系统自带版本，因为系统工具可能依赖特定版本。

• Anaconda / Miniconda

  • 推荐：多平台（Windows/Linux/Mac），内置包管理（conda）、丰富自带库，适合做生信分析。

  • 区别：

    • Anaconda 含有大量预装科学计算、数据分析库（半天几十 G）。

    • Miniconda 只有最小环境，需要时按需安装包，更轻量。

  • 下载地址：

    • Anaconda （https://www.anaconda.com/products/distribution）

    • Miniconda （https://docs.conda.io/en/latest/miniconda.html）

• pyenv + venv

  • 若你偏好自己手动编译多个 Python 版本，可使用 pyenv 管理版本，然后用 venv 创建虚拟环境。但对生信初学者而言，conda 更为便捷。

2.2 创建虚拟环境与包管理

以 Miniconda + conda 为例（假设已安装 Miniconda）：

1. 更新 conda（推荐定期执行）

   conda update -n base -c defaults conda

2. 创建独立环境

   conda create -n bioinfo_py3 python=3.9

   • -n bioinfo_py3：给环境起名为 bioinfo_py3

   • python=3.9：指定 Python 版本（可选 3.8/3.10 等）

3. 激活环境

   conda activate bioinfo_py3

   • 激活后命令行会显示 (bioinfo_py3) 前缀，所有操作都在该环境中进行。

4. 安装常用包

   # Biopython：核心生信基础库
   conda install -c conda-forge biopython# pandas、numpy：数据分析与数值计算
   conda install pandas numpy# matplotlib：基础绘图
   conda install matplotlib# 如果需要 SciPy、scikit-learn 等也可一并安装
   conda install scipy scikit-learn
   

   • 可以用 conda list 查看当前环境已安装的软件包。

   • 若已有 requirements.txt，可执行 pip install -r requirements.txt 或 conda install --file requirements.txt 一次性安装。

Tip：

1. 若要在环境中安装某些用 conda 没有发布的包，如最新版本的 pysam，可先尝试 conda search pysam，若 conda-forge 没有，再考虑 pip install pysam。

2. 混合使用 conda install 和 pip install 尽量在创建环境初期完成，避免后续依赖冲突。

2.3 推荐的编辑器 / IDE

• VS Code

  • 轻量、插件丰富（Python 插件、Jupyter 插件、Git、Remote-SSH 等）。

  • 支持 Conda 环境自动切换与 Jupyter Notebook。

• PyCharm

  • 专业版（付费）或 Community 版（免费），内置调试工具、项目管理、代码补全较强。

  • 对大型项目更合适，小脚本可以轻量用 VS Code。

• Jupyter Notebook / JupyterLab

  • 交互式环境，适合做“边写边跑、边解释边可视化”的数据分析流程。

  • 生信教学与临时测试都很方便。

小白练习建议：

• 若你完全没写过任何代码，先打开 VS Code + Jupyter Notebook 在本地试着创建一个 .ipynb，运行 print("Hello, Bioinformatics!")，感受一下环境搭建是否正确。

• 在 Linux 服务器 上也可以用 ssh -L 8888:localhost:8888 user@server 将 Jupyter 本地端口转发，这样像在本地一样用浏览器操作远程 Notebook。

 

3. 基础篇：Python 语法与常用操作回顾

本节简要回顾 Python 中最常见的语法和操作，帮助零基础读者快速了解，方便后续插入生信示例时不需要过多解释。

注意：如果你熟悉 Python 编程，可略过本节，直接进入第 4 章。

3.1 变量与数据类型

1. 整数、浮点数、字符串

# 整数
a = 10
b = -5# 浮点数
pi = 3.14159# 字符串（单引号 / 双引号 均可）
name = "ATGCGT"
desc = 'Gene1_description'print(a, b, pi, name)

2. 布尔类型

flag = True
is_empty = False

3. None（空值）

result = None

4. 注意：Python 是动态类型，无需显式声明类型

x = 5       # x 是整数
x = "hello" # x 变成字符串，没有类型冲突错误

3.2 条件语句、循环、函数

1. 条件语句 if / elif / else

score = 85
if score >= 90:print("优秀")
elif score >= 75:print("良好")
else:print("需要努力")

2. for 循环

# 遍历列表
seq_list = ["ATG", "CGT", "TTA"]
for seq in seq_list:print(seq)# 遍历数字区间
for i in range(5):  # 0,1,2,3,4print(i)

3. while 循环

count = 0
while count < 3:print("count =", count)count += 1

4. 定义函数

def gc_content(seq):"""计算单条 DNA 序列的 GC 含量（返回比例）。"""seq = seq.upper()gc = seq.count('G') + seq.count('C')return gc / len(seq) if len(seq) > 0 else 0print(gc_content("ATGCGC"))  # 0.6666...

 5.列表推导式（List Comprehension）

seqs = ["ATG", "CGT", "TTA"]
lengths = [len(s) for s in seqs]  # [3, 3, 3]

3.3 列表、字典、集合等常见数据结构

1. 列表（list）

fruits = ["apple", "banana", "cherry"]
fruits.append("date")
fruits.remove("banana")
print(fruits[0], fruits[-1])  # apple date

2. 元组（tuple）

coords = (10.0, 20.0)  # 不可修改，常用来做函数参数
x, y = coords

3. 字典（dict）

gene_gc = {"gene1": 0.56, "gene2": 0.49}
gene_gc["gene3"] = 0.63
for key, value in gene_gc.items():print(key, value)

4. 集合（set）

samples = {"S1", "S2", "S3"}
samples.add("S4")
if "S2" in samples:print("样本 S2 存在")

3.4 文件读写：读写 FASTA / FASTQ 等文本格式

1. 读取文本文件（逐行遍历）

# 假设有一个简单的文本文件：sequences.txt
with open("sequences.txt", "r") as fh:for line in fh:line = line.strip()  # 去除首尾空白（包含换行符）print(line)

2. 写文件

with open("output.txt", "w") as fh:fh.write("Hello, Bioinformatics\n")

3. 以 CSV / TSV 方式写入表格

import csvdata = [("gene1", 0.54), ("gene2", 0.67)]
with open("gc_content.tsv", "w", newline='') as fh:writer = csv.writer(fh, delimiter='\t')writer.writerow(["gene", "gc_content"])for gene, gc in data:writer.writerow([gene, gc])

4. 注意区分二进制模式与文本模式

• 默认 'r' / 'w' 是文本模式（自动进行换行转换）。

• 若必须按二进制方式处理文件（如 gzip 压缩、SAM/BAM 等），需使用 gzip.open、pysam 等接口。

 小结：本文为生物信息学 Python 专栏的第一篇，希望你能通过本文尽快掌握从环境搭建、Python 基础。接下来，我将陆续推送更高级的专题，如转录组分析、变异检测、蛋白质结构解析、深度学习在生信的应用等等，敬请关注！

推荐资源

 1. 相关书籍：

“Bioinformatics Programming Using Python: Practical Programming for Biological Data”（电工书坊翻译版可在淘宝查找）

“Python for Biologists”（作者 Martin Jones，入门极佳）

“Automating Boring Stuff with Python”（主要讲 Python 脚本自动化，对生信流程管理也很适用）

2. 相关书籍：

Coursera / edX 上的“Bioinformatics Specialization” 或“Python for Genomic Data Science”

Biostars、Stack Overflow、GitHub 等社区，搜索已有生信 Python 项目学习实践。