Python 搜索字符串中最近的序列

我需要在给定参考基因组的情况下，将重叠群转换为各自的蛋白质序列（即，我需要取一个子串，其位置在字符串上已经知道，并且我需要找到最近的起始密码子和终止密码子-一个特定的3个字母的序列，如代码中所述）

这是一个棘手的问题，因为有时挫伤的第一个位置不是三的倍数（即挫伤中的前三个核苷酸可能与密码子不完全匹配）。此外，有时重叠群可能位于基因间区域（即基因之间）。目的是分离编码和非编码DNA

这是我目前的代码：

from Bio.Seq import Seq
from Bio.Alphabet import generic_dna, generic_protein

start_codons = ['ATG']
stop_codons = ['TAG', 'TAA', 'TGA']

string = 'GG*TAG*CCAATT*ATG*AACGAA*TAG*GAC' #remove '*', just for visual
contigs = ['CCAA', 'TGAAC', 'GAA', 'GGAC']
positions = [5, 12, 17, 22] #position indices for each contig on string

extended_contigs = []
extended_position_contigs = []
intergenic_contigs = []
intergenic_position_contigs = []
for i in contigs:
    extended_contigs.append(#some code)
    extended_positions_contigs.append(#some code)
    intergenic_contigs.append(#some code)
    intergenic_positions_contigs.append(#some code)

我应该得到

extended\u contigs=['ATGAAC'，'ATGAACGAA']

和

extended\u positions\u contigs=[12,17]

。这些是位于基因内的重叠群。为了将它们编码成肽，我需要回到字符串中，直到找到起始密码子并扩展初始重叠群（例如

TGAAC

->

ATGAAC

和

GAA

->

ATGAACGAA

）

我还应该得到

intergenic\u contigs=['CCAA'，'GGAC']

和

intergenic\u positions\u contigs=[5,22]

。当运行丢失的代码时，计算机搜索字符串左侧，并在开始密码前找到一个停止密码（例如，

标记

）。因此，挫伤位于两个基因之间，不需要添加任何东西。这些基因间重叠只是储存在一个新的列表中

我的代码继续：

prot_contigs = []
for i in extended_contigs:
    my_dna = Seq(i, generic_dna)
    my_prot = my_dna.translate()
    prot_contigs.append(str(my_prot))

在这里，不需要添加新代码。运行上述命令后，

prot_contigs=['MN'，'MNE']

代码的最后一步（我需要帮助）将

prot\u contigs

转换为

new\u prot\u contigs=['MN'，'E']

怎么做？如果对于任何重叠群（例如，

'TGAAC'

），起始或结束是另一密码子的一部分（不是3的完美倍数），则会保留两端的额外密码子（例如，

'MN'

保持

'MN'

）。否则，如果contig（例如

'GAA'

）与密码子完全匹配，则添加到其上的任何内容都将被删除（例如

'MNE'

变为

'e'

）

我会尝试自己解决代码的两个部分，但我不确定如何在字符串上确定位置（即重叠群的起始点）并沿着字符串查找最近的起始/终止密码子，以便确定DNA的功能并准确地将编码重叠群的蛋白质排序为肽

---

任何帮助都将不胜感激

这个答案以前似乎已经得到了回答

但是你真的不需要自己做这件事（除非你真的想做）。有很多工具可以轻松做到这一点。浮雕套件中的一个示例

getorf -find 3 genome.fna genome.orf

---

我猜如果你在Windows系统上做这件事会比较棘手，但是考虑一下在ValualBox环境下做这件事。如今，大多数生物信息学都是在unix系统上完成的

我正在考虑对代码的第一部分使用“in”运算符（例如，如果字符串中的“ATG:…”），但是，我需要在沿着字符串搜索给定起始位置（即接触点的起点）左侧时在本地执行此操作。有什么想法吗？有没有可能在起始密码子、终止密码子和重叠密码子之间还有别的东西？（即TGAAC->ATGAAC和GAA->ATGAACxxxyyyyyyyGaA）阅读这篇文章看起来像是一篇关于SE生物信息学问题的交叉文章：