Python 在字符串中搜索列表中的字符子字符串

sp | P46531 | NOTC1 | U人类神经原性位点notch同源蛋白1 OS=智人GN=NOTCH1 PE=1 SV=4 mppllaplclallp

我有一个fasta文件，我想在文件中搜索氨基酸序列的开头。大概是

aminoacids = ['A','C','D','E','F','G','H','I','K','L','M','N','P','Q','R','S','T','V','W','Y']
for filename in file_list:
    with open(filename,'r') as fh:
        while True:
        char = fh.read(1)
        if char.upper() in aminoacids:
            #look for the 4 characters directly after it

但是，如果在氨基酸列表中发现一个字符，并且它旁边的四个字符也在列表中，那么将生成一个字符串，从该字符开始，一直到不再有字符为止。

---

例如，我希望遍历文件以查找字符。如果找到M，那么我想查找接下来的四个字符（PPLL）。如果接下来的四个字符是氨基酸，那么我想创建一个以M开头，一直到文件末尾的字符串。

您可以将文件作为单个字符串读取，然后搜索正则表达式：

regex = re.compile("[%s]{5}.*" % "".join(aminoacids))

with open(filename, 'r') as fh:
    s = fh.read()
    aa_sequence = regex.findall(s)
    if len(aa_sequence) > 0:
        # an amino acid sequence was found
        print aa_sequence[0]

这是因为构造的正则表达式是：

[ACDEFGHIKLMNPQRSTVWY]{5}.*

意思是“这些字符中的5个，后跟任何字符。”

请注意，如果您的氨基酸字符串可能跨越多行，则需要先删除换行符，包括：

s = fh.read().replace('\n', '')
# or
s = "".join(s.readLines())

---

你要找的4个字符是在fasta文件中，还是你的意思是如果“A”然后打印“A”“C”“D”“E”？@Andy Wong我的错，我会修正这个措辞。我是说在档案里。我正在文件中查找字符。文件有多大？在开始时将整个文件读入内存是否合理？（你可能不会的唯一原因是，如果你预计氨基酸序列非常接近一个非常大的文件的末尾）@DavidRobinson该文件目前还不是太大。我只处理相对较小的文件。后来我将其转换为字符串，但我想先搜索该文件。如果必须的话，我可以先把它转换成字符串。这会更好吗？仅供参考，但每个字母都是有效的氨基酸单字母代码，因为有一些字母表示“呃，不是这个就是那个，但我们不确定它们的化学成分是否相似”。B是asn/asp。Z是glu/gln。X是未知的。J是leu/ile。u是硒代半胱氨酸，O是吡咯赖氨酸

aa_sequence=regex.findall（s）[0]

为此，我得到一个列表索引超出范围错误。。。？我完全忘记了python有类似perl的正则表达式，所以谢谢你。@varda1316啊：这意味着该文件没有氨基酸序列。请参阅“编辑”以获取测试此功能的版本。我认为这不起作用，因为a）我的文件一开始不是空的-有一个氨基酸序列B）现在它只是说，当我打印

len（aa_序列）

时，文件中只有一个字符。。。？我想也许我必须把它放在一个循环中才能工作？@varda1316它不是说文件中只有一个字符，而是说它找到了一个匹配项。打印

aa_序列[0]

，您将看到匹配的字符串.Ohh起作用。关于我之前遇到的列表索引超出范围错误，我实际上有一个只有小写字母的文件，这就是问题所在。所以基本上aa_序列是一个列表，当我打印长度时，它告诉我列表中有一个元素？