python中特定模式内的剪切字符串

我有一些长度的字符串，仅由4个字符组成，即“A、T、G和C”。我在给定的字符串中多次出现“GAATTC”模式。我必须在这个图案的地方每隔一段时间剪断一段绳子。。 例如，对于字符串“ATCGAATTCATA”，我应该得到

• 字符串一-

  ATCGA

• 字符串二-

  ATTCATA

我是使用Python的新手，但我提出了以下（不完整）代码：

---

非常感谢您的帮助。

这里有一个简单的解决方案：

seq = 'ATCGAATTCATA'
seq_split = seq.upper().split('GAATTC')
result = [ 
    (seq_split[i]  + 'GA') if i % 2 == 0 else ('ATTC' + seq_split[i]) 
    for i in range(len(seq_split)) if len(seq_split[i]) > 0 
]

结果:

print(result)
['ATCGA', 'ATTCATA']

---

我的代码有点草率，但当您想迭代多次出现的字符串时，可以尝试类似的方法

def split_strings(seq):
    string1 = seq[:seq.find(str1) +2]
    string2 = seq[seq.find(str1) +2:]
    return string1, string2


test = 'ATCGAATTCATA'.upper()
str1 = 'GAATTC'

seq = test
while str1 in seq:
    string1, seq = split_strings(seq)
    print string1
print seq

---

BioPython有一个限制性内切酶包，完全按照你的要求来做

from Bio.Restriction import *
from Bio.Alphabet.IUPAC import IUPACAmbiguousDNA

print(EcoRI.site) # You will see that this is the enzyme you listed above

test = 'ATCGAATTCATA'.upper() # This is the sequence you want to search
my_seq = Seq(test, IUPACAmbiguousDNA()) # Create a biopython Seq object with our sequence

cut_sites = EcoRI.search(my_seq)

cut_站点

包含精确剪切输入序列的位置列表（例如

GA

位于左序列，而

ATTC

位于右序列）

然后，您可以使用以下方法将序列拆分为重叠：

cut_sites = [0] + cut_sites # We add a leading zero so this works for the first
                            # contig. This might not always be needed.
contigs = [test[i:j] for i,j in zip(cut_sites, cut_sites[1:]+[None])]

---

您可以查看有关BioPython的更多详细信息。

这里有一个使用正则表达式模块的解决方案：

import re
seq = 'ATCGAATTCATA'
restriction_site = re.compile('GAATTC')
subseq_start = 0
for match in restriction_site.finditer(seq):
   print seq[subseq_start:match.start()+2]
   subseq_start = match.start()+2
print seq[subseq_start:]

输出：

ATCGA
ATTCATA

---

首先，让我们发展一下使用find的想法，这样您就可以找出错误

seq = 'ATCGAATTCATAATCGAATTCATAATCGAATTCATA'
seq = seq.upper()
pattern = "GAATTC"
split_at = 2
seqlen = len(seq)
i = 0

while i < seqlen:
    site = seq.find(pattern, i)
    if site != -1:
       print(seq[i: site + split_at])
       i = site + split_at
    else:
       print seq[i:]
       break

---

我认为它更直观，应该比RE更快（根据库和使用情况，RE的性能可能更低）

您的问题是什么？为什么预期输出包含拆分器字符串的部分，我们应该如何将其拆分为字符串1和字符串2？@TigerhawkT3如何剪切字符串？我想找到模式“GAATTC”，并在该模式中，我想在“GA”处拆分字符串，以便生成的字符串将为我提供fast一半到GA，另一半从ATTC开始。这与上面提到的示例有关。对于造成的任何混乱，我深表歉意。不要重新发明轮子；BioPython有一些专门处理限制性酶位点的功能@Chris_Rands感谢您的建议。我完全了解BioPython。不过，我的目标是执行此exercise不使用BioPython模块。尽管如此，再次感谢！如果给定字符串中多次出现“GAATTC”，这将不起作用@Thank！您的建议确实有效。但是，它仅限于模式的一次出现。如果模式“GAATTC”出现多次，则不考虑下一次出现。针对多次出现更新恩斯。第二个解决方案与第一个解决方案相比非常令人惊讶。尽管如此，即使第一个解决方案也很有效，而且也很好。非常感谢您！@Srk谢谢，我也很喜欢，但对于我没有立即意识到第二个解决方案，我还是有点惊讶。另外一个好处是，替换可以与任何文本编辑器一起工作。顺便说一句，如果您觉得解决方案有用，请不要犹豫投票或接受。我在访问模块时遇到了一段相当困难的时间，无论如何，感谢您提供的解决方案，它对我非常有效！

seq = 'ATCGAATTCATAATCGAATTCATAATCGAATTCATA'
seq = seq.upper()
pattern = "GAATTC"
split_at = 2
seqlen = len(seq)
i = 0

while i < seqlen:
    site = seq.find(pattern, i)
    if site != -1:
       print(seq[i: site + split_at])
       i = site + split_at
    else:
       print seq[i:]
       break

seq = 'ATCGAATTCATAATCGAATTCATAATCGAATTCATA'
seq = seq.upper()
pattern = "GA","ATTC"
pattern1 = ''.join(pattern) # 'GAATTC'
pattern2 = ' '.join(pattern) # 'GA ATTC'
splited_seq = seq.replace(pattern1, pattern2) # 'ATCGA ATTCATAATCGA ATTCATAATCGA ATTCATA'
print (splited_seq.split())