Rascunho de script para obter IDs de sequencias de DNA/RNA (NGS) armazenadas no SRA (https://trace.ncbi.nlm.nih.gov/Traces/sra/) com base em busca via Entrez

sra_demo.py

from xml.dom import minidom  # Ou qualquer parser XML que você preferir
from Bio import Entrez

def search_sra(query, email='[email protected]'):
    """
    Retorna um handler de busca para o SRA
    """
    Entrez.email = email
    handle = Entrez.esearch(db='sra', 
                            sort='relevance', 
                            retmax='20',
                            retmode='xml', 
                            term=query)
    results = Entrez.read(handle)
    return results

def get_sra_details(id_list, email='[email protected]'):
    """
    Pega detalhes de um conjunto de entradas do SRA
    """
    ids = ','.join(id_list)
    Entrez.email = email
    handle = Entrez.efetch(db='sra',
                           retmode='xml',
                           id=ids)
    # Atualmente o XML do SRA vem formatado errado
    # Por isso não é possível usar a função Entrez.read ou .parse
    results = minidom.parseString(handle.read())
    return results

def get_run_ids(xml_result):
    # Obtendo o package set
    package_set = xml_result.getElementsByTagName('EXPERIMENT_PACKAGE_SET')[0]  # Assumindo unicidade de EXPERIMENT_PACKAGE_SET

    ids = []
    # Para cada experimento no pacote
    for experiment in package_set.getElementsByTagName('EXPERIMENT_PACKAGE'):
        
        # Isolar o Run Set
        run_set = experiment.getElementsByTagName('RUN_SET')[0]  # Assumindo unicidade de RUN_SET
        
        # Para cada corrida no Run Set
        for run in run_set.getElementsByTagName('RUN'):
            # Isolar o Identificador
            identifier = run.getElementsByTagName('IDENTIFIERS')[0]  # Assumindo unicidade de IDENTIFIERS
            
            # Isolar o ID primário
            primary_id = identifier.getElementsByTagName('PRIMARY_ID')[0]  # Assumindo unicidade de PRIMARY_ID
            
            # Obter o valor do node - Provavelmente no formato (S|E)RR0000000
            primary_id = primary_id.childNodes[0].nodeValue
            ids.append(primary_id)
    return ids

srch = search_sra('Human AND RNA')
id_list = srch['IdList']
details = get_sra_details(id_list)
run_ids = get_run_ids(details)