Python 正则表达式匹配无法使用Pyteomics解析器处理简单字符串

我正在对人类蛋白质组进行电子消化，这意味着我试图在某个位置切割每个蛋白质的氨基酸序列。我在我创建的一个更大的函数中使用Pyteomics解析器函数

我得到这个错误： Pyteomics错误：Pyteomics错误，消息：“不是有效的modX序列：{'sequence'：'AKDEVQKN'}”

但是，我不确定AKDEVQKN与modX_Requence编译器的不匹配程度：

_modX_sequence = re.compile(r'^([^-]+-)?((?:[^A-Z-]*[A-Z])+)(-[^-]+)?$')

根据我对这个正则表达式的理解，它应该找到任何不以（-）开头并后跟一系列字母字符的字符串

这是我正在尝试使用的函数

import re
import pyteomics
from pyteomics import fasta, parser
def ButcherShop(df, target, rule,min_length=7,exception=None,max_legnth=100, pH=2.0):
>     raw = df[target]
>     unique_peptides = set()
>     for peptide in raw:
>         new_peptides = parser.cleave(peptide, rule=rule,min_length=min_length,exception=exception)
>         unique_peptides.update(new_peptides)
>     print(f'Done,{len(unique_peptides)} sequences of >= 7 amino acids!')
>     pep_dic = [{'sequence': i} for i in unique_peptides]
>     for peptides in pep_dic:
>         pep_dic['parsed_sequence'] = parser.parse(peptides,show_unmodified_termini=False)
>         pep_dic['xlength'] = len(peptides)
>         pep_dic['charge'] = int(round(electrochem.charge(peptides, pH=pH)))
>         pep_dic['mass']=int(round(Peptide_mass(peptides)))
>     pep_dic = [peptide for peptide in pep_dic if peptide['length'] <= int(max_length)]
>     pep_df = pd.DataFrame.from_dict(pep_dic)
>     return unique_peptides,pep_dic,pep_df

重新导入
导入pyteomics
从pyteomics导入fasta，解析器
def ButcherShop（df，目标，规则，最小长度=7，异常=None，最大长度=100，pH=2.0）：
>原始=测向[目标]
>唯一_肽=集合（）
>对于原料中的肽：
>新肽=解析器.解理（肽，规则=规则，最小长度=最小长度，异常=异常）
>独特的_肽。更新（新_肽）
>print（f'Done，{len（独特肽）}序列>=7个氨基酸！'）
>pep_dic=[{'sequence'：i}表示唯一_肽中的i]
>对于pep_dic中的肽：
>pep_dic['parsed_sequence']=parser.parse（肽，显示未修改的_termini=False）
>pep_dic['xlength']=len（肽）
>pep_dic['charge']=int（圆形（电化学电荷（肽，pH=pH）））
>pep_dic['mass']=int（圆形（肽_质量（肽）））
>pep_dic=[如果肽['length']pep_df=pd，则pep_dic中的肽对应肽=来自dic的pd.数据帧（pep_dic）
>返回唯一肽，pep_dic，pep_df

感谢您提供有关如何解决此问题的任何见解

**更新：如果我在不同的集合上运行，我会得到相同的错误，这可能表明是库本身

错误屏幕截图：

---

不是解决方案，而是一些分析

在下面的简单示例代码中，“AKDEVQKN”使用post中的正则表达式进行匹配

import re

line = 'AKDEVQKN'

pat = re.compile(r'^([^-]+-)?((?:[^A-Z-]*[A-Z])+)(-[^-]+)?$')

x = re.match(pat, line)

if x:
    print(x)
    print(x.group())
    print(x.groups())

产出：

<re.Match object; span=(0, 8), match='AKDEVQKN'>
AKDEVQKN
(None, 'AKDEVQKN', None)

到

---

在我运行解析器之前，尝试使用它们的有效函数测试所有肽。我在字符串中找不到任何false。我现在正在查看它们的函数或我自己的函数

> for peptide in menu["Peptide"]:
>     x=parser.valid(peptide)
>     if x == False:
>         print(peptide)
>         break
>     else:
>         print(x)

---

这里是Pyteomics维护人员

错误消息实际上告诉您问题的来源：

pyteomicsrerror:Pyteomics错误，消息：“不是有效的modX序列：{'sequence'：'AKDEVQKN'}”

这意味着您传递的不是字符串

'AKDEVQKN'

，而是字典

{'sequence'：'AKDEVQKN'}

pep_dic = [{'sequence': i} for i in unique_peptides]
for peptides in pep_dic:
    pep_dic['parsed_sequence'] = parser.parse(peptides,show_unmodified_termini=False)
    ...

您应该将序列本身传递给

parse

，而不是dict：

pep_dic['parsed_sequence'] = parser.parse(peptides['sequence'], show_unmodified_termini=False)

---

.

（[^-]+-）？

——这是一个非破折号序列，后跟破折号，但最后一个？表示“整个序列是可选的。”谢谢。我希望它能匹配，我只是不确定它为什么会抛出这个错误。我刚刚更新了这个问题。我用不同的酶尝试了它，基本上我用20000个字符串生成了>500000个字符串，最终形成一个集合。我开始怀疑库代码中有错误。我将继续他们的示例le，看看我最后得到了什么。它似乎在随机字符串上抛出了错误。现在我看到了你的帖子，我开始认为这是他们的代码。``312 try:-->313 n，body，c=re.match（_modX_sequence，sequence）.groups（）314除了AttributeError:“`谢谢你，我在另一篇帖子上找到了答案。不过谢谢你的澄清！

pep_dic = [{'sequence': i} for i in unique_peptides]
for peptides in pep_dic:
    pep_dic['parsed_sequence'] = parser.parse(peptides,show_unmodified_termini=False)
    ...

pep_dic['parsed_sequence'] = parser.parse(peptides['sequence'], show_unmodified_termini=False)