8강 / 20강

FASTA 를 읽는다 — 가장 오래된 생물학 파일

> 로 시작하는 줄이 이름, 나머지가 서열

서열을 담는 가장 흔한 형식이 FASTA 입니다. 규칙이 단순해요.

>DDX54_guide1 mouse Ddx54 gRNA#1220
GCAGAATGTCGTTCGGCCCC
>DDX54_guide2 mouse Ddx54 gRNA#1785
CGTTGTTGGCCACGCGGTGC

이름 줄

> 로 시작
첫 낱말이 이름

🧬

서열 줄

다음 > 까지
여러 줄일 수 있다

둘째 칸이 함정입니다. 서열이 한 줄이라는 보장이 없어요 — 보통 60~80자에서 줄을 바꿉니다. 그래서 "한 줄씩 읽어 짝 맞추기" 로는 안 되고, 다음 > 를 만날 때까지 이어 붙여야 합니다.

고등학생1985년에 만들어진 형식을 아직 씁니다

FASTA 는 서열을 담는 가장 흔한 파일 형식입니다. 1985년에 만들어졌는데 아직도 표준이에요.

규칙이 두 줄이면 끝납니다

줄	규칙
이름 줄	`>` 로 시작한다. 첫 낱말이 이름
서열 줄	다음 `>` 까지가 서열

규칙이 단순해서 40년을 살아남았다

복잡한 형식은 도구가 사라지면 못 읽습니다. FASTA 는 메모장으로도 열립니다. 그게 강점이에요.

그런데 함정이 하나

서열이 한 줄이라는 보장이 없다

보통 60~80자에서 줄을 바꿉니다. 옛날 터미널 화면이 80자였거든요. 그 관습이 지금도 남아 있습니다.

그래서 이렇게 하면 틀립니다

순진한 방법	왜 틀리나
"한 줄 읽어 이름, 다음 줄 읽어 서열"	서열이 세 줄이면 뒤 두 줄을 놓친다

올바른 방법

다음 > 를 만날 때까지 이어 붙인다

비유 — 편지 묶음

편지가 여러 통 들어 있습니다. 각 편지는 "받는 사람" 한 줄 + 본문 여러 줄 이에요.

편지를 나누려면 "받는 사람" 줄이 나올 때까지 본문으로 취급해야죠. 줄 수를 미리 정할 수 없습니다.

FASTA 를 읽는 코드가 하는 일이 정확히 그거예요.

마지막 기록을 잊지 않는 것(<code>if 이름:</code>)이 흔한 실수입니다.

Python 브라우저에서 실행

# FASTA 를 읽는 함수 — 여러 줄 서열을 제대로 이어 붙인다
fasta = ">guide1 mouse Ddx54 gRNA#1220\nGCAGAATGTCG\nTTCGGCCCC\n>guide2 mouse Ddx54 gRNA#1785\nCGTTGTTGGCCACGCGGTGC\n"

def fasta_읽기(글):
    기록 = {}
    이름 = None
    조각 = []
    for 줄 in 글.splitlines():
        줄 = 줄.strip()
        if not 줄:
            continue
        if 줄.startswith(">"):
            if 이름:
                기록[이름] = "".join(조각)      # 앞의 것을 마무리
            이름 = 줄[1:].split()[0]            # > 를 떼고 첫 낱말
            조각 = []
        else:
            조각.append(줄)                     # 서열은 이어 붙인다
    if 이름:
        기록[이름] = "".join(조각)              # 마지막 것
    return 기록

서열들 = fasta_읽기(fasta)
for 이름, s in 서열들.items():
    print(f"{이름:<10}{len(s):>4} nt   {s}")

print()
print("guide1 은 파일에서 두 줄이었지만 하나로 이어졌습니다.")

고등학생마지막 하나를 잊는 실수

캡션에 "마지막 기록을 잊지 않는 것(if 이름:)이 흔한 실수" 라고 적혀 있습니다. 무슨 뜻일까요?

코드의 구조

줄을 하나씩 읽는다
> 로 시작하면 → 지금까지 모은 것을 저장하고, 새 이름을 기억한다
아니면 → 서열에 이어 붙인다

문제 — 파일이 끝나면?

2번은 > 를 만날 때 저장합니다. 그런데 마지막 기록 뒤에는 > 가 안 나와요. 파일이 끝나니까요.

그래서 마지막 하나가 저장되지 않는다

그래서 반복이 끝난 뒤에 한 번 더 저장해 줘야 합니다. 그게 if 이름: 줄이에요.

비유 — 문단 나누기

글을 문단으로 나눈다고 합시다. 빈 줄이 나오면 문단이 끝난 걸로 칩니다.

그런데 마지막 문단 뒤에는 빈 줄이 없죠. 빈 줄만 기준으로 삼으면 마지막 문단을 통째로 놓칩니다.

이런 실수의 이름

off-by-one — 하나 어긋나는 실수

프로그래밍에서 가장 흔한 실수 종류입니다. "마지막 하나", "첫 번째 하나" 가 빠지거나 더 들어가는 거죠.

어떻게 잡나

개수를 세어 보면 됩니다.

파일에 > 가 몇 개 있나?
내 코드가 읽어 낸 기록이 몇 개인가?
하나 적으면? → 마지막을 놓친 것

결과의 개수를 확인하는 것이 가장 싼 검증이다

이 강의 코드가 guide1 은 파일에서 두 줄이었지만 하나로 이어졌습니다 라고 찍는 이유도 그거예요. 제대로 됐는지 눈으로 확인시켜 주는 겁니다.

고등학생직접 짜 보는 것의 값어치

note 가 솔직한 이야기를 합니다 — 실무에서는 이 함수를 직접 안 씁니다.

Biopython 의 SeqIO.parse 가 다 해 준다

그럼 왜 배우나

note 의 답이 좋습니다 —

파일이 어떻게 생겼는지 알아야
결과가 이상할 때 원인을 찾을 수 있다

비유 — 계산기와 사칙연산

계산기가 있는데 왜 곱셈을 배울까요?

계산기가 없을 때를 대비해서? — 그건 아니죠. 폰에 다 있습니다
답이 말이 되는지 알아보려고 — 이게 진짜 이유입니다

계산기에 잘못 눌러서 백 배 큰 답이 나왔을 때, 곱셈을 아는 사람은 "어, 이상한데" 하고 알아챕니다. 모르는 사람은 그대로 적어요.

라이브러리도 같습니다

SeqIO.parse 가 서열 3개를 읽어 왔는데 파일에는 4개가 있었다면? 원리를 아는 사람만 이상하다고 느낍니다.

도구를 믿되 확인하려면 원리를 알아야 한다

그리고 한 번만 해 보면 됩니다

"직접 짜 보라" 는 말이 평생 직접 짜라는 뜻은 아닙니다. 한 번 해 보면 충분해요. 그다음부터는 라이브러리를 쓰면 됩니다.

그 한 번이 파일 형식에 대한 감을 남깁니다. 이 강의가 이 함수를 직접 쓰게 하는 이유예요. (그리고 이 페이지의 Pyodide 에는 Biopython 이 없기도 합니다.)

🤔 확인 문제

FASTA 를 읽을 때 '한 줄 읽고 다음 줄이 서열' 이라고 가정하면 무엇이 틀릴까요?