---

背景介绍

在生物信息学研究中，基因序列数据是分析的基础。FASTA格式是生物信息学中最常见的序列文件格式之一，它以“>”开头的行表示序列名称，随后的行是实际的序列数据。对于初学者来说，了解如何解析FASTA文件并统计其中的碱基组成比例是入门的重要一步。

本项目旨在开发一个小型的本地工具，用于读取FASTA格式的基因序列文件，统计A、T、G、C四种碱基的数量，并使用Matplotlib库生成简单的柱状图，展示各碱基的比例。该项目涉及文件读写、字符串处理、字典统计和基础数据可视化，适合中级以下开发者，具备较高的学习价值。

---

思路分析

1. 输入处理：读取FASTA文件，提取所有序列数据。
2. 数据统计：统计每个碱基（A、T、G、C）出现的次数。
3. 结果输出：在控制台输出统计结果，并使用Matplotlib生成柱状图。
4. 代码结构：使用Python语言，利用标准库和Matplotlib库实现功能。

---

代码实现

以下是一个完整的Python脚本，用于实现上述功能。代码中包含详细的注释，便于理解。

import matplotlib.pyplot as plt

def read_fasta(file_path):
    """
    读取FASTA格式文件，返回一个字典，键为序列ID，值为序列字符串
    :param file_path: FASTA文件路径
    :return: 字典形式的序列数据
    """
    sequences = {}
    with open(file_path, 'r') as f:
        lines = f.readlines()
        current_id = None
        current_seq = ''
        for line in lines:
            line = line.strip()
            if line.startswith('>'):
                if current_id is not None:
                    sequences[current_id] = current_seq
                current_id = line
                current_seq = ''
            else:
                current_seq += line
        if current_id is not None:
            sequences[current_id] = current_seq
    return sequences

def count_bases(sequence):
    """
    统计序列中A、T、G、C的出现次数
    :param sequence: 基因序列字符串
    :return: 字典形式的碱基统计结果
    """
    base_counts = {'A': 0, 'T': 0, 'G': 0, 'C': 0}
    for base in sequence:
        if base in base_counts:
            base_counts[base] += 1
    return base_counts

def main():
    # 示例输入文件路径
    file_path = 'example.fasta'

    # 读取FASTA文件
    sequences = read_fasta(file_path)

    # 统计所有序列的碱基
    total_counts = {'A': 0, 'T': 0, 'G': 0, 'C': 0}
    for seq_id, seq in sequences.items():
        counts = count_bases(seq)
        for base, count in counts.items():
            total_counts[base] += count

    # 打印控制台输出
    print("碱基统计结果：")
    for base, count in total_counts.items():
        print(f"{base}: {count}")

    # 计算比例
    total_bases = sum(total_counts.values())
    base_proportions = {base: count / total_bases for base, count in total_counts.items()}

    # 绘制柱状图
    bases = list(base_proportions.keys())
    proportions = list(base_proportions.values())

    plt.bar(bases, proportions, color=['blue', 'green', 'red', 'purple'])
    plt.xlabel('碱基类型')
    plt.ylabel('比例')
    plt.title('基因序列中碱基组成比例')
    plt.show()

if __name__ == '__main__':
    main()

---

示例输入文件 example.fasta

>seq1
ATGCGTACGT
>seq2
TTTAAAGGGG

---

示例输出

控制台输出：

碱基统计结果：
A: 6
T: 7
G: 6
C: 3

柱状图输出：

（注：实际运行时将显示由Matplotlib生成的柱状图，展示A、T、G、C的相对比例）

---

总结

本项目通过读取FASTA文件，统计其中的碱基组成比例，并使用Matplotlib生成可视化图表，帮助初学者理解基因序列数据的处理流程。项目代码结构清晰，使用了Python标准库和Matplotlib库，适合本地运行，无需依赖复杂的外部服务。

通过本项目，开发者可以掌握以下技术点：
– 文件读写与处理
– 字符串操作与字典统计
– 基础数据可视化（柱状图）

该项目不仅具备学习价值，还可以作为进一步开发生物信息学工具的基础，例如扩展支持其他格式（如GenBank、GFF）或添加更多统计功能（如GC含量计算、序列长度统计等）。