正则表达式蟒蛇FASTA

Question

谢谢您之前的建议，

我有另一个正则表达式的问题：

现在我有这个模式的列表：

*7 3 279 0 
*33 2 254 0.0233918128654971 
*39 2 276 0.027431421446384 

，并用DNA测序文件FASTA格式：

编辑重新格式化线

>OCTU1 
GCTTGTCTCAAAGATTAAGCCATGCATGTATAAGCACAAGCCTAAAATGGTGAAGCCGCGAATAGCTCATTACAACAGTCGTAGTTTATTGGAAAGTTCACTATGGATAACTGTGGTAATTCTAGAGCTAATACATGTTCCAATCCTCGACTCACGGAGAGGTGCATTTATTAGAACAAAGCTGATCAGACTATGTCTGTCTCAGGTTGACTCTGAATAACTTTGCTAATCGCACAGTCTTTGTACTGGCGATGTATCTTTCATGCTATGTA 
>OCTU2 
GCTGCTTCCTTGGATGTGGTAGCCGTTTCTCAGGCTCCCTCTCCGGAATCGAACCCTATTCCCCGTTACCCGTTCAACCATGGTAGGCCCTACTACCATCAAAGTTGATAGGGCAGATATTTGAAAGACATCGCCGCACAAAGGCTATGCGATTAGCAAAGTTATTAGATCAACGACGCAGCGATCGGCTTTGACTAATAAATCACCCCTCCAGTTGGGGACTTTTACATGTATTAGCTCTAGAATTACCACAGTTATCCATTAGTGAAGTACCTTCCAATAAACTATACTGTTTAATGAGCCATTCGCGGTTTCACCGTAAAATTAGGTTGTCTTAGACATGCATGGCTTAATCTTTGTAGACAAGC 

我需要在Fasta文件（例如，> OCTU7和> OCTU33）中查找列表中带有*（例如7或33）的数字，并将另一个文件复制到仅存在的Fasta序列在列表中，这是我的脚本：

regex=re.compile(r'.+\d+\s+') 
OCTU=b.readlines() 
while OCTU: 
    for line in a: 
     if regex.match(OCTU)==line: 
       c.write(OCTU) 

脚本，似乎工作，但我认为该模式是不正确的，因为创建该文件是空的。

非常感谢您的宝贵意见。

Answer 1

你可以先收集从文件a ID号一组快速查找后：

seta = set() 
regexa = re.compile(r'\*(\d+)') #matches asterisk followed by digits, captures digits 
for line in a: 
    m = regexa.match(line)  #looks for match at start of line 
    if m: 
     seta.add(m.group(1)) 

然后在B个循环。在循环内使用b.next()以获取序列所在的第二行。

regexb = re.compile(r'>OCTU(\d+)') #matches ">OCTU" followed by digits, captures digits 
for line in b: 
    m = regexb.match(line) 
    if m: 
     sequence = b.next() 
     if m.group(1) in seta: 
      c.write(line) 
      c.write(sequence) 

Answer 2

您可能想使用Biopython解析fasta文件。

然后你就可以切出的号码，在列表中查找它，更可靠地访问序列和序列的名字......如果一个FASTA文件有自动换行上述方法可能会遇到的问题...

import collections 
from Bio import SeqIO 

infile = "yourfastafile.fasta" 
outfile = "desired_outfilename.fasta" 

dct = collections.OrderedDict() 
for record in SeqIO.parse(open(infile), "fasta"): 
    dct[record.description()] = str(record.seq).upper() 

for k,v in dct.items(): 
    if int(k[4:]) in seta: #from answer above 
     with open(outfile, "a") as handle: 
      handle.write(">" + k + "\n" + str(v) + "\n") 

Answer 3

编码= UTF8

上述标签定义的编码本文档并且是用于Python 2.x的兼容性

import re 

regex = r">.+\n[acgtnACGTN\n]+" 

test_str = (">AB000263 |acc=AB000263|descr=Homo sapiens mRNA for prepro cortistatin like peptide, complete cds.|len=368\n" 
    "ACAAGATGCCATTGTCCCCCGGCCTCCTGCTGCTGCTGCTCTCCGGGGCCACGGCCACCGCTGCCCTGCC\n" 
    "CCTGGAGGGTGGCCCCACCGGCCGAGACAGCGAGCATATGCAGGAAGCGGCAGGAATAAGGAAAAGCAGC\n" 
    "CTCCTGACTTTCCTCGCTTGGTGGTTTGAGTGGACCTCCCAGGCCAGTGCCGGGCCCCTCATAGGAGAGG\n" 
    "AAGCTCGGGAGGTGGCCAGGCGGCAGGAAGGCGCACCCCCCCAGCAATCCGCGCGCCGGGACAGAATGCC\n" 
    "CTGCAGGAACTTCTTCTGGAAGACCTTCTCCTCCTGCAAATAAAACCTCACCCATGAATGCTCACGCAAG\n" 
    "TTTAATTACAGACCTGAA") 

matches = re.finditer(regex, test_str) 

for matchNum, match in enumerate(matches): 
    matchNum = matchNum + 1 

    print ("Match {matchNum} was found at {start}-{end}: {match}".format(matchNum = matchNum, start = match.start(), end = match.end(), match = match.group())) 

    for groupNum in range(0, len(match.groups())): 
     groupNum = groupNum + 1 

     print ("Group {groupNum} found at {start}-{end}: {group}".format(groupNum = groupNum, start = match.start(groupNum), end = match.end(groupNum), group = match.group(groupNum))) 

注：用于Python 2.7兼容性，使用ur“”作为正则表达式的前缀，u“”作为测试字符串和替换的前缀。