cs50 PSET6/DNA 正则表达式

Question

我正在尝试查找序列文件中连续 STR（子字符串模式，即“AGAT”）的数量。

字符串模式：AGATC、TTTTTTCT、AATG、TCTAG、GATA、TATC、GAAA、TCTG

序列文件（许多其他序列文件之一）：AAGGTAAGTTTAGAATATAAAAGGTGAGTTAAATAGAATAGGTTAAAAATTAAAGGAGATCAGATCAGATCAGATCTATCTATCTATCTATCTATCAGAAAAGAGTAAATAGTTAAAGAGTAATATATTGAATTAATGGAAAATATTGTTGGGGAAAGGAGGGATAGAAGG

在上述序列中，TATC 是最大值，有 5 个连续的 TATC 对运行。使用我的正则表达式，无论它们是否连续，它都是 returning 匹配。

我相信使用正则表达式是我最好的选择。这是我第一次在 Python 工作，所以不要期望太多。我在 regex101.com 使用了 regex 工具，它让我对 regex 公式有了一些很好的了解。我正在使用 {head} 将变量传递到正则表达式，这是字符串模式，但我想找到匹配的字符串 {head} 2 次或更多次。我下面的正则表达式 return 与 head 匹配至少 1 次或更多次，所以我知道为什么会这样 return。

groups = re.findall(rf'?:{head})+, text)

如果我在 regex101.com 中使用 r"(AGAT){2,}"，这将按我预期的方式工作。它找到匹配的字符串 2 次或更多次。如果我将它作为 groups = re.findall(rf'(?:{head}){2,}) 传递到我的代码中，它不会 return 任何东西。

我的代码如下：

import csv
import re
import string


if len(sys.argv) != 3:
    print("missing command-line argument")
    exit(1)

if re.search(r"(.csv)", sys.argv[1]) == None:
    print("CSV file not found!")
    print("Usage: 'python.py *.csv *.txt'")
    exit(1)

if re.search(r"(.txt)", sys.argv[2]) == None:
    print("TXT file not found!")
    print("Usage: 'python.py *.csv *.txt'")
    exit(1)

# use reader or DictReader from the CSV module
# use sys.argv for command-line arguments
# use open(filename) and f.read() to read its contents.

# open CSV and DNA sequence and read into memory
with open(sys.argv[1], newline='') as database, open(sys.argv[2], newline='') as sequence:
    reader = csv.DictReader(database)
    headers = reader.fieldnames
    text = sequence.read()
    for head in headers:
        groups = re.findall(rf'(?:{head})+', text)
        print(head, groups)

如果我使用上面的 groups = re.findall(rf'(?:{head})+', text) 变量，我会得到下面的输出

AGATC ['AGATCAGATCAGATCAGATC']
TTTTTTCT []
AATG ['AATG']
TCTAG []
GATA ['GATA', 'GATA']
TATC ['TATCTATCTATCTATCTATC']
GAAA ['GAAA', 'GAAA', 'GAAA']
TCTG []

如果我使用 groups = re.findall(rf'(?:{head}){2,}', text)，我什么也得不到。

AGATC []
TTTTTTCT []
AATG []
TCTAG []
GATA []
TATC []
GAAA []
TCTG []

所以，我想我是在问，如何使用正则表达式查找字符串（作为变量传递）2 次或更多次？

Answer 1

您可以在正则表达式中使用模式 ((your pattern)*) 来查找最大的连续模式（regex101 用于模式 TATC）：

import re

seq = 'AAGGTAAGTTTAGAATATAAAAGGTGAGTTAAATAGAATAGGTTAAAATTAAAGGAGATCAGATCAGATCAGATCTATCTATCTATCTATCTATCAGAAAAGAGTAAATAGTTAAAGAGTAAGATATTGAATTAATGGAAAATATTGTTGGGGAAAGGAGGGATAGAAGG'
patterns = ['AGATC','TTTTTTCT','AATG','TCTAG','GATA','TATC','GAAA','TCTG']

m = max([x for p in patterns for x in re.findall(r'(({})*)'.format(p), seq)], key=lambda k: len(k[0]) // len(k[1]))
print('Most repeated pattern: {}, number of repetitions {}'.format(m[1], len(m[0]) // len(m[1])))

打印：

Most repeated pattern: TATC, number of repetitions 5

Answer 2

这个答案是用户 yeahIProgram 在 Reddit 的 cs50 subreddit 上给出的。

"That's what I was referring to, but I had to look it up and you escape the braces inside the formatted string by doubling them."

所以，我正在寻找的正则表达式是 groups = re.findall(rf'(({head}){{2,}})', text)。其中返回了我期望的以下输出。

AGATC [('AGATCAGATCAGATCAGATC', 'AGATC')]
TTTTTTCT []
AATG []
TCTAG []
GATA []
TATC [('TATCTATCTATCTATCTATC', 'TATC')]
GAAA []
TCTG []

现在，我只需要获取字符串出现的总次数，我应该就可以了。

感谢@Andrej Kesely 的意见。

cs50 PSET6/DNA 正则表达式

cs50 PSET6/DNA Regular Expressions

python

regex

cs50