Python 使用零宽度断言查找匹配位置
我试图写一个脚本,找到一个DNA序列的开放阅读框架。但是,我需要确保正则表达式可以找到重叠区域,因此使用了前瞻断言。问题是,当我试图显示匹配的位置时,python没有返回预期的值。我怀疑这是因为?=是零宽度断言。我应该如何解决这个问题?您的模式与Python 使用零宽度断言查找匹配位置,python,regex,bioinformatics,Python,Regex,Bioinformatics,我试图写一个脚本,找到一个DNA序列的开放阅读框架。但是,我需要确保正则表达式可以找到重叠区域,因此使用了前瞻断言。问题是,当我试图显示匹配的位置时,python没有返回预期的值。我怀疑这是因为?=是零宽度断言。我应该如何解决这个问题?您的模式与ATG之前的零长度字符串匹配。然后,您应该捕获单个组,但该组对您的匹配没有贡献,因此您可能会为您的匹配获得-1。开始和匹配。结束。看 finditer()专门用于非重叠匹配,因此您必须决定使用finditer()还是使用start()和end()。看 我
ATG
之前的零长度字符串匹配。然后,您应该捕获单个组,但该组对您的匹配没有贡献,因此您可能会为您的匹配获得-1
。开始
和匹配。结束
。看
finditer()专门用于非重叠匹配,因此您必须决定使用finditer()还是使用start()和end()。看
我不知道如何推荐一个优雅的finditer()替代品。以优秀的团队为例 我希望我猜对了你想要什么
import re
def orfs(sequence, aa):
rframe = []
orf_re = ('(?='
'('
'ATG(?:[ATGC]{3}){%d,}?'
'(?:TAG|TAA|TGA)'
')'
')' \
% (aa))
for match in re.finditer(orf_re, sequence):
print 'groups()',repr(match.groups()),match.span()
print 'group(0)',repr(match.group(0)),match.span(0)
print 'group(1)',repr(match.group(1)),match.span(1)
print
rframe.append('span (%d , %d)\n'
'stop codon %s\n'
'nucleotide length %d\n'
'amino acid length %d\n'
'reading frame %d\n'
%
(match.start(1),match.end(1),
sequence[match.end(1)-3:match.end(1)],
match.end(1) - match.start(1),
(match.end(1) - match.start(1) - 3)/3,
match.start() % 3))
return rframe
s = ('AGCTGCTG',
'ATG',
'GGG' 'GGG' 'GGG' 'GGG' 'GGG' 'GGG',
'TA',
'A', # overlaping
'TG',
'CCC' 'CCC' 'CCC' 'CCC' 'CCC',
'TAG',
'TTTGTCTAG')
print '\n'.join(s)
print '==================='
s = ''.join(s)
print '\n'.join(orfs(s,3))
结果
AGCTGCTG
ATG
GGGGGGGGGGGGGGGGGG
TA
A
TG
CCCCCCCCCCCCCCC
TAG
TTTGTCTAG
===================
groups() ('ATGGGGGGGGGGGGGGGGGGGTAA',) (8, 8)
group(0) '' (8, 8)
group(1) 'ATGGGGGGGGGGGGGGGGGGGTAA' (8, 32)
groups() ('ATGCCCCCCCCCCCCCCCTAG',) (31, 31)
group(0) '' (31, 31)
group(1) 'ATGCCCCCCCCCCCCCCCTAG' (31, 52)
span (8 , 32)
stop codon TAA
nucleotide length 24
amino acid length 7
reading frame 2
span (31 , 52)
stop codon TAG
nucleotide length 21
amino acid length 6
reading frame 1
我这样写输出是为了直接在连续的行上交错打印。如果您想要输出,没有什么比在代码的正确位置添加一些
1
字符更简单的了,不是吗?有没有办法确保这只返回最长的序列?e、 ATGAGAATAA应该只返回整个序列,而不应该返回ATGAATAA。你说的“最长序列”是指前面有尽可能多的ATG重复的序列吗?也就是说,一种新的情况。我的意思是说,ATG是一个“起始”密码子,只有当它先出现时。如果在同一阅读框中,前面有另一个ATG,它只是另一个氨基酸,不应该被认为是一个新的阅读框。我不明白你的答案。如果是这样的话,我会理解:我的意思是说,只有当ATG是第一个密码子时,它才是一个“开始”密码子。如果在同一阅读框中有另一个ATG
在它之后,它只是另一个氨基酸