Python 避免大型IUPAC模糊DNA搜索中的正则表达式溢出错误

我正在同一个装配体的染色体（大约10秒Mb）内寻找支架（大约10秒Kb）。两者都包含IUPAC歧义。到目前为止，我一直在使用

from Bio.SeqUtils import *
nt_search(chromosome, scaffold)

然而，有一个实例，其中正向串搜索很好，但反向补码的搜索会产生正则表达式重载错误

from Bio.Seq import Seq
from Bio.SeqUtils import *

def findCoordinates (self):
    ''' Performs scaffold string search within chromosomes. Returns scaffold coordinates within said chromosome. '''

    for chromosome in self.chromosomes.keys():
        for scaffold in self.scaffolds.keys():
            # search forward strand.
            nt_forward = nt_search(self.chromosomes[chromosome], self.scaffolds[scaffold])
            if len(nt_forward) > 1:
                startCoord = nt_forward[1] + 1
                endCoord = (startCoord + len(self.scaffolds[scaffold]))
                # save coordinates

            else: # search reverse strand
                scaffold_seq = Seq(self.scaffolds[scaffold])
                reverse_seq = scaffold_seq.reverse_complement()
                nt_reverse = nt_search(self.chromosomes[chromosome], str(reverse_seq))
                if  len(nt_reverse) > 1:
                    startCoord = nt_reverse[1] + 1
                    endCoord = (startCoord + len(self.scaffolds[scaffold]))
                    # save coordinates
                    self.scaffolds[scaffold] = str(scaffold_seq.reverse_complement())

我得到以下错误：

Traceback (most recent call last):
  File "scaffoldPlacer.py", line 98, in <module>
z.findCoordinates()
  File "scaffoldPlacer.py", line 60, in findCoordinates
nt_reverse = nt_search(self.chromosomes[chromosome], str(reverse_seq))
  File "/usr/local/lib/python2.7/site-packages/Bio/SeqUtils/__init__.py", line 191, in nt_search
m = re.search(pattern, s)
  File "/usr/local/lib/python2.7/re.py", line 142, in search
return _compile(pattern, flags).search(string)
  File "/usr/local/lib/python2.7/re.py", line 243, in _compile
p = sre_compile.compile(pattern, flags)
  File "/usr/local/lib/python2.7/sre_compile.py", line 523, in compile
groupindex, indexgroup
OverflowError: regular expression code size limit exceeded

回溯（最近一次呼叫最后一次）：
文件“scaffoldPlacer.py”，第98行，在
z、 findCoordinates（）
文件“scaffoldPlacer.py”，第60行，在findCoordinates中
nt_reverse=nt_搜索（自身染色体[染色体]，str（反向顺序））
文件“/usr/local/lib/python2.7/site packages/Bio/sekutils/_init__.py”，第191行，在nt_搜索中
m=重新搜索（模式，s）
文件“/usr/local/lib/python2.7/re.py”，第142行，搜索中
返回编译（模式、标志）。搜索（字符串）
文件“/usr/local/lib/python2.7/re.py”，第243行，在编译中
p=sre_compile.compile（模式、标志）
文件“/usr/local/lib/python2.7/sre_compile.py”，第523行，在compile中
组索引，索引组
溢出错误：超出了正则表达式代码大小限制

正如我前面提到的，只有在搜索反向补码正则表达式时才会发生此错误，因此前向搜索不会出错

有没有办法避免这个错误，或者有没有更好的办法来执行有关IUPAC歧义的DNA字符串搜索

谢谢

在这（）之后，似乎巨大的模式破坏了重新编译。我使用的是x64 Linux，即使使用

re.compile（“x”*5000000）

，我也无法“打破”这个

re.compile

，而对于链接问题的讨论者声称它与65536中断，这与您的10Ks查询一致

你能尝试使用另一台计算机或操作系统吗

或者，您可以将查询一分为二（或者使用上述代码检查最大查询大小），然后检查匹配的坐标是否“连续”，并在代码中添加一些行

编辑。我发现了一个错误重现的系统。在文件

python2.7/sre_compile.py

的开头，您将看到以下几行（python 2.7.0）：

---

其中，

\u sre

是一个内置文件（一个C文件）。如果您的python版本是使用

\u sre.c

编译的，它将正则表达式的大小限制为65535，并且

CODESIZE==2

，那么您必须升级python解释器。

您能给出一些示例数据以便我们重现错误吗？不幸的是，这些数据是专有的。我可以告诉你有问题的脚手架的长度，尽管我不确定这有多大帮助，因为除了长度之外，这个错误似乎是由于正则表达式的内容造成的。正如MattDMo所说，没有任何顺序，这太难调试了。为反向补语创建Seq时，请尝试设置IUPAC模糊字母表：

s=Seq（self.scaffolds[scaffold]，IUPACAmbiguuUSDNA（））

，但这是一个盲镜头。我不能用90.000 bp的随机序列作为查询，1.000.000 bp作为主题重现你的错误。是的，我理解。我问题的最后一部分怎么样？除了nt_搜索之外，我还可以使用其他工具来执行类似的功能吗？这个错误出现在x64 linux操作系统上。有趣的是，当我在本地x64 iOS上运行时，我没有收到任何错误。我在linux机器上运行Python2.7，但在本地机器上运行Python3。python版本的差异是否有责任？

if _sre.CODESIZE == 2:
    MAXCODE = 65535
else:
    MAXCODE = 0xFFFFFFFFL