使用python正则表达式在字符串中搜索长度为6或更长的特定重复（mnr）

Posted 2021-03-26

我有一个制表符分隔的csv文件包含3个以逗号分隔的字段：数字，序列和状态。每行代表不同的序列。

输入文件的一个例子，名为sequences.txt：

1 tgctccatatcagtgcagatcgcgcgatacattcctcagtaggaaaaaagttcagagatgataatcgtccgtccgggatttcagatgaaagaggctggaagtcaaggctttagcgggtaggaggttaatgatttt no 
2 tatactatttagttctgcagtgagccttcatacaaagggatgtggagttgtcatatggggggctctgtatccggagttcggttttgcttgagactcaaatcggggttttcgtacat no 
3 ccggctagtgagaggcttaagacatccagatatctcgaatagtaatagcagtcgaaaccgaaattaaaccccaatcactaatggcattcacataatgaatagtgcttactcgacctaagggcgaatt no 
4 ttaattgatttttgtgcaaaaattgatattagagtattacccccgtattgctatgcgcctttctaattgactgattacgtgagacgcgcgggtttggagttcactgggcagacgcgagctacatttgccaggtacgact yes

我想编写一个程序来扫描每个序列并检查6或更多的单体核苷酸重复序列（mnr）（大小写无关紧要，我正在寻找两者）。如果我找到符合该条件的序列，那么我应该将整行打印到一个新的输出文件中（包含所有3个字段）。

定义：单体核苷酸是：A，T，C，G的重复序列（不区分大小写）

mnr连续重复将是这样的：AAAAaaAAgtc或gtAAAAAAAAAA或aaaaaaAAA或aaaaaaaaa或ccccccccccc或CCCCCcccCCC或......

我试过这个正则表达式，但不起作用：

import csv
import re
with open('sequences.txt','r') as f:
    reader = csv.reader(f,delimiter=",")
    for line in reader:
        seq=re.findall(r'[Aa]{6, }',reader)
        if line.__contains__(seq):
            print(line)

with open('seqoutput.txt','w') as f:
    for line in list1:
        f.write(line)

预期产量：

1 tgctccatatcagtgcagatcgcgcgatacattcctcagtaggaaaaaagttcagagatgataatcgtccgtccgggatttcagatgaaagaggctggaagtcaaggctttagcgggtaggaggttaatgatttt no 
2 tatactatttagttctgcagtgagccttcatacaaagggatgtggagttgtcatatggggggctctgtatccggagttcggttttgcttgagactcaaatcggggttttcgtacat no 

电流输出：

Traceback (most recent call last):


File "sequence.py", line 6, in <module>
    seq=re.findall(r'[Aa]{6, }',reader)
  File "/System/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/re.py", line 181, in findall
    return _compile(pattern, flags).findall(string)
TypeError: expected string or buffer

答案

要查找具有至少6个重复字符的序列，您可以使用捕获组和后引用。

[atcg]*([atcg])1{5}[atcg]*

这将匹配：

• [atcg]*匹配字符类中列出的任何0+次
• ([atcg])1{5}在第1组中捕获与任何列出的匹配，并重复对组1的反向引用5次
• [atcg]*匹配字符类中列出的任何0+次

Regex demo

您可以使用csv阅读器并选择逗号作为分隔符（因为您声明这是分隔符，请注意示例数据中没有逗号）

如果它是一个标签，你可以使用' '作为分隔符

如果sequence部分匹配，则使用相同的分隔符将该行写入新文件。

您的代码可能如下所示：

import re
import csv

seqout = open('seqoutput.txt', 'a')
with open('sequences.txt','r') as f:
    reader = csv.reader(f, delimiter=',')
    for row in reader:
        match = re.match(r'[atcg]*([atcg])1{5}[atcg]*', row[1])
        if match:
            seqout.write(','.join(row) + "
")
seqout.close()

另一答案

你的csv.reader每次迭代产生一个列表，但每行需要一个字符串。尝试使用简单文件打开或

reader = csv.reader(f,delimiter=" ") # tab split
for row in reader:
    sequence = row[1]
    seq=re.findall(r'[Aa]{6, }', sequence) # not reader

您的正则表达式可以扩展为其他字母表：

re.findall(r'[Aa|Gg|Cc|Tt]{6,}', sequence)