CodeTools

some toosl for bioinformatics

Annotation_protein_filter.py 使用说明

简介

本脚本用于对蛋白质序列（FASTA格式）进行多步过滤和处理，包括：

• 移除含有非标准氨基酸的序列
• 按长度过滤序列
• 使用 CD-HIT 进行聚类去冗余
• 重命名重复的序列ID
• 生成处理报告

依赖

• Python 3
• Biopython
• seqkit
• CD-HIT

参数说明

参数	说明	默认值
-i, --input	输入FASTA文件	input.faa
-o, --output	输出FASTA文件	processed.faa
-r, --report	记录被移除序列ID的文件	removed.txt
-t, --threads	线程数	CPU核心数
-c, --chunk	每个处理块的序列数	50000
--keep-uo	保留U和O氨基酸	无
--min-len	最小序列长度	100
--max-len	最大序列长度	1500
--identity	CD-HIT聚类相似性阈值	0.90
--skip-length	跳过长度过滤	无
--skip-cdhit	跳过CD-HIT聚类	无

使用示例

python Annotation_protein_filter.py -i input.faa -o output.faa -r removed.txt --min-len 120 --max-len 2000 --identity 0.95 --threads 8

输出文件

• 过滤后的FASTA文件（-o指定）
• 被移除序列的ID及原因（-r指定）
• CD-HIT聚类结果（output.faa.clstr，如未跳过CD-HIT）

注意事项

• 需提前安装 seqkit 和 cd-hit，并确保可在命令行调用。
• 输入文件需为标准FASTA格式。
• 支持多线程加速处理。