BioPython：如何在Seq对象集合中搜索主题

我有一个来自BioPython的Seq对象列表，我想在这些序列中搜索一个氨基酸序列基序。搜索这些序列的最佳方法是什么？我的搜索是找到一个类似GxxxG的基序，但它可能更长或更短，但会在第一个G之后的下一个G的第一个实例处停止。使用正则表达式（如G.*G）将给出第一个G的结果，其中包含最后找到的G的任意数量的氨基酸

#Some example code
from Bio.Seq import Seq
from Bio.Alphabet import IUPAC
import re

records = Seq("WALLLLFWLGWLGMLAGAVVIIVR", IUPAC.extended_protein)

search = re.search("F.*G", str(records))
print search.group()
# Want FWLG
# Get 
FWLGWLGMLAG

你想要一个懒惰的对手

A.*B给定的abbbbe可以被视为试图匹配：

ABBBBBBBBBBBBBE
^-------------^

去“那不匹配”少试一个字母

ABBBBBBBBBBBBBE
^------------^

去“匹配”并返回它

惰性匹配

A.*B

将尝试尽可能少地匹配。在这种情况下：

ABBBBBBBBBBBBBE
^^

A和0个字符，然后是B，类似于“这是一个匹配项”，只返回AB

?？通常表示可选，但as*是量词（0或更多）？对它采取行动使它懒惰

---

你想要

F.*G

使用惰性量词是比较慢的方法。要在第一次出现

G

时停止，可以使用否定字符类而不是点。例如：

F[^G]*G

[^G]

表示除

G

然后你可以使用贪婪的量词

要了解速度增益，可以使用以下代码测试不同的模式：

import re
import cProfile

s = r'ACATCATCTATCTATACAATAAAAACTATCCCCTAACTACTACACTACTATCATCACATCATATCACTTTATATCCTAC'
for i in range(1,15):
    s = s + s

s = r'F' + s 
s = s + r'ATCTATCTATACAATAATCTATCTATACAATAATCTATCGATCTATCTATACAATAATCTATCTATACAATATCG' + s

cProfile.run('re.search(r"F[^G]+G",s)')

---

在你的例子中，如果在A和B之间需要至少有一个字符，该怎么办？因此，输出值至少应为A.B.@Kev，您可以将+用于1或更多。*是0还是更多？是1或0（可选），可以使用{5，}表示5次或更多次，或使用{5,7}表示5到7次。