使用Python从Newick格式提取分支长度

我有一个python列表，由一个以Newick格式编写的树组成，如下所示：

['(BMNH833953:0.16529463651919140688,(((BMNH833883:0.22945757727367316336,(BMNH724182a:0.18028180766761139897,(BMNH724182b:0.21469677818346077913,BMNH724082:0.54350916483644962085):0.00654573856803835914):0.04530853441176059537):0.02416511342888815264,(((BMNH794142:0.21236619242575086042,(BMNH743008:0.13421900772403019819,BMNH724591:0.14957653992840658219):0.02592135486124686958):0.02477670174791116522,BMNH703458a:0.22983459269245612444):0.00000328449424529074,BMNH703458b:0.29776257618061197086):0.09881729077887969892):0.02257522897558370684,BMNH833928:0.21599133163597591945):0.02365043128986757739,BMNH724053:0.16069861523756587274):0.0;']

在树格式中，显示如下：

['(BMNH833953:0.16529463651919140688,(((BMNH833883:0.22945757727367316336,(BMNH724182a:0.18028180766761139897,(BMNH724182b:0.21469677818346077913,BMNH724082:0.54350916483644962085):0.00654573856803835914):0.04530853441176059537):0.02416511342888815264,(((BMNH794142:0.21236619242575086042,(BMNH743008:0.13421900772403019819,BMNH724591:0.14957653992840658219):0.02592135486124686958):0.02477670174791116522,BMNH703458a:0.22983459269245612444):0.00000328449424529074,BMNH703458b:0.29776257618061197086):0.09881729077887969892):0.02257522897558370684,BMNH833928:0.21599133163597591945):0.02365043128986757739,BMNH724053:0.16069861523756587274):0.0;']

---

我正在尝试编写一些代码，查看列表项并返回ID（BMNHxxxxxx），这些ID由分支长度0（或好的，这里有一个正则表达式，只提取数字（可能是小数）：

\b

s确保旁边的数字周围没有其他数字、字母或下划线。它被称为单词边界

[0-9]+

匹配多个数字

（？：\.[0-9]+）？

是一个可选组，这意味着它可能匹配，也可能不匹配。如果在第一个

[0-9]+

之后有一个点和数字，那么它将匹配这些。否则，它将不匹配。组本身匹配一个点，并且至少匹配一个数字

您可以将其与

re.findall

一起使用，将所有匹配项放入列表中：

import re
NewickTree = ['(BMNH833953:0.16529463651919140688,(((BMNH833883:0.22945757727367316336,(BMNH724182a:0.18028180766761139897,(BMNH724182b:0.21469677818346077913,BMNH724082:0.54350916483644962085):0.00654573856803835914):0.04530853441176059537):0.02416511342888815264,(((BMNH794142:0.21236619242575086042,(BMNH743008:0.13421900772403019819,BMNH724591:0.14957653992840658219):0.02592135486124686958):0.02477670174791116522,BMNH703458a:0.22983459269245612444):0.00000328449424529074,BMNH703458b:0.29776257618061197086):0.09881729077887969892):0.02257522897558370684,BMNH833928:0.21599133163597591945):0.02365043128986757739,BMNH724053:0.16069861523756587274):0.0;']

pattern = re.compile(r"\b[0-9]+(?:\.[0-9]+)?\b")

for tree in NewickTree:
    branch_lengths = pattern.findall(tree)
    # Do stuff to the list branch_lengths
    print(branch_lengths)

对于此列表，您可以打印以下内容：

['0.16529463651919140688', '0.22945757727367316336', '0.18028180766761139897',
 '0.21469677818346077913', '0.54350916483644962085', '0.00654573856803835914', 
 '0.04530853441176059537', '0.02416511342888815264', '0.21236619242575086042',
 '0.13421900772403019819', '0.14957653992840658219', '0.02592135486124686958', 
 '0.02477670174791116522', '0.22983459269245612444', '0.00000328449424529074',
 '0.29776257618061197086', '0.09881729077887969892', '0.02257522897558370684',
 '0.21599133163597591945', '0.02365043128986757739', '0.16069861523756587274',
 '0.0']

---

我知道您的问题已经得到了回答，但如果您希望将数据作为嵌套列表而不是平面字符串，请执行以下操作：

import re
import pprint

a="(BMNH833953:0.16529463651919140688,(((BMNH833883:0.22945757727367316336,(BMNH724182a:0.18028180766761139897,(BMNH724182b:0.21469677818346077913,BMNH724082:0.54350916483644962085):0.00654573856803835914):0.04530853441176059537):0.02416511342888815264,(((BMNH794142:0.21236619242575086042,(BMNH743008:0.13421900772403019819,BMNH724591:0.14957653992840658219):0.02592135486124686958):0.02477670174791116522,BMNH703458a:0.22983459269245612444):0.00000328449424529074,BMNH703458b:0.29776257618061197086):0.09881729077887969892):0.02257522897558370684,BMNH833928:0.21599133163597591945):0.02365043128986757739,BMNH724053:0.16069861523756587274):0.0;"

def tokenize(str):
  for m in re.finditer(r"\(|\)|[\w.:]+", str):
    yield m.group()

def make_nested_list(tok, L=None):
  if L is None: L = []
  while True:
    try: t = tok.next()
    except StopIteration: break
    if   t == "(": L.append(make_nested_list(tok))
    elif t == ")": break
    else:
      i = t.find(":"); assert i != -1
      if i == 0: L.append(float(t[1:]))
      else:      L.append([t[:i], float(t[i+1:])])
  return L

L = make_nested_list(tokenize(a))
pprint.pprint(L)

---

有几个Python库支持newick格式。允许读取newick字符串并将树作为Python对象进行操作：

from ete2 import Tree
tree = Tree(newickFile)
print tree

可以使用多个newick子表单，并解析分支距离，即使它们是用科学符号表示的

from ete2 import Tree
tree = Tree("(A:3.4, (B:0.15E-10,C:0.0001):1.5E-234);")

---

但是对我来说，这两个ID不是由代码长度＞代码＞0 < /代码>所连接的，而是由代码长度＞代码0＞00000×328449424529074 < /代码>。是否有某种程度的精度，你认为是无关紧要的？@杰瑞道歉，我会编辑我的问题，是的，我假设0.00 000 032444 9424529074与0.这在这个特殊的例子中是有效的，但并不是在所有的例子中都有效。为了解释newick格式，我们有一棵树，有三个物种：a、B和C，其中a和B比C更相关。在我上传的树中，看看红色突出显示的树枝正上方的三个物种，看看我的意思。在newick格式中，这将被写下来作为（（A，B），C）。要包含分支长度，请在“：”之后添加长度。因此，当您的示例在本例中起作用时，您可以看到，通过增加变量0\.000，它将开始将不密切相关的ID放在一起。解决此问题的方法是将所有分支长度提取到一个列表中（BranchLst1），将用户定义输入下面的内容添加到另一个列表（SmallBranchLst2）然后将这些分支与原始的Newick树列表进行匹配。我可以做第二位，但我不能制作一个正则表达式，从Newick树列表中提取所有分支长度并将其放入另一个列表谢谢，我感谢你的帮助！是的，相关ID将是相同的，如果这样更容易，我们可以忽略a或b，因为我在为了帮助自己识别应该一起使用的ID。这意味着树中的所有ID都是相同的，它们以BMNH开头，以6个数字结尾。regex可以简化为

r“\b[\d.]+”

。您可以将字符串转换为浮点：

branch\u length=[float（x）表示branch\u length中的x]

简化并不总是意味着更好。正则表达式还将匹配许多点，以及除英文数字以外的任何其他字符。\d只是想提供帮助，Jerry。：）我只是想说为什么这不一定会更好：）转换为浮点是个好主意，但我相信OP可以自己解决这个问题。：）看看是否可以更好地实现下面的嵌套列表例程。我觉得这是肾盂次优的。

from ete2 import Tree
tree = Tree("(A:3.4, (B:0.15E-10,C:0.0001):1.5E-234);")