Python 如何通过搜索列表1中的子字符串来查找列表2中的完整字符串？

我有两个由氨基酸序列组成的列表（这不是一个生物学问题，而是为了上下文而说明），其中

List1

包含完整字符串（完整序列）的子字符串（部分序列）

List2

包含完整的字符串，其中一些字符串包含来自

List1

的子字符串，而一些字符串不包含

这些列表很大，这就是为什么要创建它们，但现在我不知道如何跟踪子字符串到完整字符串

下面是使用我自己数据集中的真实数据修改后的两个列表的示例。对于

List1

中包含的两个子字符串，在

List2

中应该有两个匹配项。我已确认匹配项在

列表2中

List1 = ['QSLNQNVVSRTCPAVVSHRARRAVRVMATGSPLTFSKYQGLGNDFILIDNRHTSEPVVTPEQAVKICDRNFGVGGDGVIFALPPVGETDLTMRIFNSDGSEPEMCGNGIRCLAKFVADIDKSSPRKYKIHTLAGLIQPELLADGQVRVDMGAPILDGSKVPTTLTPTEGNTVVQQDLVVDGKTYKVTCVSMGNPHAVIYTCNGKTIKIDDLESDLAALGPKFERNTVFPARTNTEFVEVISPSHVRMVVWERGAGRTLACGTGACALVVAGILEGRVDRSKTCRVDLPGGPLQIEWSTVDNHIYMTGPAELVFGGSLRV', 'DMRISYERGGLEEAAFRGRDPMQVFDEWFKAAVAGKVCEEPNAISLASSNPSGQPSVRVVLLKGYDERGFVFYTNYSSRKGTELESGSAAFSIYWEKLQRQIRVEGTVEHVSEEESTAYFHSRPRGSQIGAWVSAQSQPCRNRGEMEARNAELQQRFSDESVPVPKPPHWGGYLIRPTRIEFWQGRPSRLHDRIRFRRPSPNESWVMERLQP']
List2 = [Seq('SSLPSNSVWASGKSYLGHLY*CVHPAHTVTFTLPLVAA*YRALSYDVRRSKFLT...LHL', HasStopCodon(ExtendedIUPACProtein(), '*')), Seq('PLYHLILSGPLENPT*DTYTDAFILLTRSLSPSLS*PRNTALCHMTFAVQNFLL...CIF', HasStopCodon(ExtendedIUPACProtein(), '*')), Seq('LSTI*FCLGLWKILPRTPILMRSSCSHGHFHPPSRSRVIPRFVI*RSPFKISYS...TAS', HasStopCodon(ExtendedIUPACProtein(), '*')), Seq('EDAVIESKCGQSHMPGCCQPPGTQGCARNGYGIAPDVLQVSGPW*RFHLD*QSP...VER', HasStopCodon(ExtendedIUPACProtein(), '*')), Seq('KMQSLNQNVVSRTCPAVVSHRARRAVRVMATGSPLTFSKYQGLGNDFILIDNRH...*RG', HasStopCodon(ExtendedIUPACProtein(), '*')), Seq('RCSH*IKMWSVAHARLLSATGHAGLCA*WLRDRP*RSPSIRALVTISS*LTIAT...GRE', HasStopCodon(ExtendedIUPACProtein(), '*')) Seq('VLTHVVASDKELLARAVRWEALPSRKNLSGLHHPSAPKPLSNSQYYSKKKPIRL...DFV', HasStopCodon(ExtendedIUPACProtein(), '*')), Seq('FLHTWLLPTRSCSRVQSAGKHCQAEKTSQVCITHRRLSH*ATLNITVKKNQSVS...QTS', HasStopCodon(ExtendedIUPACProtein(), '*')), Seq('SYTRGCFRQGVARACSPLGSIAKQKKPLRSASPIGA*AIKQLSILQ*KKTNPSH...RLR', HasStopCodon(ExtendedIUPACProtein(), '*')), Seq('HEVCVSVT*QHYVLP*RTNLWGHPSSELLSRVRINC*LQLLSVLNQCSIAHHRA...CKN', HasStopCodon(ExtendedIUPACProtein(), '*')), Seq('TKSAFQ*HNNIMFFPNAQIYGDTPAPSCYHVCA*IANCNYYLCSINAV*HIIAP...CVR', HasStopCodon(ExtendedIUPACProtein(), '*')), Seq('RSLRFSNITTLCSSLTHKFMGTPQLRVAITCAHKLLTATIICAQSMQYSTSSRQ...V*E', HasStopCodon(ExtendedIUPACProtein(), '*'))]

以下是我的脚本的高度浓缩版本，以了解更多上下文：

import os
import xml.etree.ElementTree as ET
from Bio.Seq import Seq
from Bio.Alphabet import generic_dna

path_to_allxmlfiles = "path/to/xml/file/dir/"  # Path to a directory where a bunch of XML files are found.
xml_dir = os.listdir(path_to_allxmlfiles)

path_to_transcriptome = "path/to/transcriptome/file.fasta" #This is just a giant fasta file.
transcriptomefile = open(path_to_transcriptome, 'r')

List1=[]
for file in xml_dir:
    if file.endswith(".xml"):
        xml_file_path = os.path.join(path_to_allxmlfiles, file)
        xml_files = open(xml_file_path, 'r')
            for lines in xml_files:
                tree = ET.parse(xml_files)
                root = tree.getroot()

                for substring in root.findall("./BlastOutput_iterations/Iteration/Iteration_hits/Hit[1]/Hit_hsps/Hsp[1]/substring"):
                    SUBSTRING = substring.text
                    List1.append(SUBSTRING)
fullstrlist1 = []
fullstrlist2 = []
fullstrlist3 = []
fullstrlist4 = []
fullstrlist5 = []
fullstrlist6 = []
for line in transcriptomefile:
    if (stuff_was_done_here):

      A_lot_of_stuff_done_here_where_I_appended_full_strings_to_six_lists. # I am translating in 6 reading frames so this is necessary because each reading frame is unique.

        List2 = [fullstrlist1, fullstrlist2, fullstrlist3, fullstrlist4, fullstrlist5, fullstrlist6] #List2 is a combination of the six lists above.

for item in List2:
    if any(x in item for x in List1):
        print(item)

在
print（item）
中返回的不是包含
List1
中的子字符串的项

这是我关于StackOverflow的第一个问题。如果需要更多细节，请告诉我。我提前感谢您的帮助。
我不太确定您的要求，但这里有两种搜索方法的示例

#子字符串
列表1=[“苹果”、“桑树”]
#名单
清单2=[
[“苹果”、“葡萄柚”、“番石榴”]，
[“香蕉”、“蓝莓”、“葡萄”]，
[“柠檬”、“酸橙”]，
[“枇杷”、“荔枝”、“芒果”]，
[“桑树”、“油桃”、“草莓”]，
[“石榴”、“覆盆子”]
]
#要搜索的子字符串。
列表3=[“berry”，“ime”]
打印（“搜索整个匹配字符串”，列表1）
对于清单2中的项目：
如果有（列表1中x的项目中x）：
打印（项目）
打印（“\n子字符串搜索子字符串”，列表3）
对于列表2中的组：
对于组中的项目：
如果有（列表3中sbs的项目中的sbs）：
打印（组）
break#无需继续搜索该组

以及输出

Search for whole matching strings ['Apple', 'Mulberry']
['Apple', 'Grapefruit', 'Guava']
['Mulberry', 'Nectarine', 'Strawberry']

 Substring search for substrings ['berry', 'ime']
['Banana', 'Blueberry', 'Grape']
['Lemon', 'Lime']
['Mulberry', 'Nectarine', 'Strawberry']
['Pomegranate', 'Raspberry']

顺便说一句，xml_文件中的
行：
是一个错误。您已经处于每个XML文件的循环中，并且希望读取整个XML文件（正如您使用
tree=ET.parse（XML_文件）所做的那样）
，除非您似乎对每个XML文件的每一行都重复此操作。除非我弄错了，并且您的每个文件的每一行都是完整的单行XML文档？…在这种情况下，该代码仍然无法工作。谢谢@ggorlen。我只是使用了
List2
的占位符名称来保持一切简单。在我的实际的脚本，
List2
有一个描述性的名称。谢谢@Zv\u oDD。我很感激你为xml\u文件中的行指出
：
。脚本运行得很好，就像我写出来的那样，但我会回去做一些更改，看看我的脚本中是否有wordy。这正是我需要知道的！谢谢太多了！在
print（'\n Substring search for Substring'，List3）
部分，而不是
print（group）
期间，我只需要
print（item）
。我正在尝试捕获整个序列，您的解决方案允许我这样做。