python 中的复杂正则表达式匹配

Question

我有一个包含以下数据的 txt 文件：

chrI

ATGCCTTGGGCAACGGT...（多行）

chrII

AGGTTGGCCAAGGTT...（多行）

我想先找到'chrI'，然后遍历ATGC的多行，直到找到第x个字符。然后我想打印第 x 个字符，直到第 y 个字符。我一直在使用正则表达式，但一旦找到包含 chrI 的行，我就不知道如何继续迭代以找到第 x 个字符。

这是我的代码：

for i, line in enumerate(sacc_gff):
    for match in re.finditer(chromo_val, line):
        print(line)
        for match in re.finditer(r"[ATGC]{%d},{%d}\Z" % (int(amino_start), int(amino_end)), line):
            print(match.group())

变量的含义：

chromo_val = chrI

amino_start =（我的程序找到的一些起点）

amino_end =（我的程序找到了一些终点）

注意：amino_start和amino_end需要变量形式。

如果我能为您澄清任何问题，请告诉我，谢谢。

Answer 1

看起来您正在使用 fasta 数据，所以我会考虑到这一点提供答案，但如果不是，您仍然可以使用 sub_sequence 选择部分。

fasta_data = {} # creates an empty dictionary
with open( fasta_file, 'r' ) as fh:
    for line in fh:
        if line[0] == '>':
            seq_id = line.rstrip()[1:] # strip newline character and remove leading '>' character
            fasta_data[seq_id] = ''
        else:
            fasta_data[seq_id] += line.rstrip()

# return substring from chromosome 'chrI' with a first character at amino_start up to but not including amino_end
sequence_string1 = fasta_data['chrI'][amino_start:amino_end]
# return substring from chromosome 'chrII' with a first character at amino_start up to and including amino_end
sequence_string2 = fasta_data['chrII'][amino_start:amino_end+1]

fasta 格式：

>chr1
ATTTATATATAT
ATGGCGCGATCG
>chr2
AATCGCTGCTGC

Answer 2

由于您正在使用格式如下的 fasta 文件：

>Chr1
ATCGACTACAAATTT
>Chr2
ACCTGCCGTAAAAATTTCC

并且是生物信息学专业的我猜你会经常操纵序列我建议安装名为 FAST 的 perl 包。一旦安装了它以获得每个序列的 2-14 个字符，您可以这样做：

fascut 2..14 fasta_file.fa

这是最近的 publication for FAST and github，其中包含用于在命令行上操作分子序列数据的完整工具箱。

python 中的复杂正则表达式匹配

complex regex matches in python

python

regex

bioinformatics