正则表达式匹配不适用于 Pyteomics 解析器的简单字符串

Posted 2023-02-23

【中文标题】正则表达式匹配不适用于 Pyteomics 解析器的简单字符串

【英文标题】：regex match not working on simple string with Pyteomics parser

【发布时间】：2021-06-03 14:06:27

【问题描述】：

我正在对人类蛋白质组进行计算机消化，这意味着我正在尝试在特定位置切割每种蛋白质的氨基酸序列。我在我创建的一个更大的函数中使用 Pyteomics 解析器函数 Pyteomics Parser。

我收到此错误： PyteomicsError：Pyteomics 错误，消息：“不是有效的 modX 序列：'sequence': 'AKDEVQKN'”

但是，我不确定 AKDEVQKN 如何与 modX_reqquence 编译器不匹配：

_modX_sequence = re.compile(r'^([^-]+-)?((?:[^A-Z-]*[A-Z])+)(-[^-]+)?$')

根据我对这个正则表达式的理解，它应该找到任何不以 (-) 开头且后跟一系列字母字符的字符串。

这是我尝试使用的功能。

import re
import pyteomics
from pyteomics import fasta, parser
def ButcherShop(df, target, rule,min_length=7,exception=None,max_legnth=100, pH=2.0):
>     raw = df[target]
>     unique_peptides = set()
>     for peptide in raw:
>         new_peptides = parser.cleave(peptide, rule=rule,min_length=min_length,exception=exception)
>         unique_peptides.update(new_peptides)
>     print(f'Done,len(unique_peptides) sequences of >= 7 amino acids!')
>     pep_dic = ['sequence': i for i in unique_peptides]
>     for peptides in pep_dic:
>         pep_dic['parsed_sequence'] = parser.parse(peptides,show_unmodified_termini=False)
>         pep_dic['xlength'] = len(peptides)
>         pep_dic['charge'] = int(round(electrochem.charge(peptides, pH=pH)))
>         pep_dic['mass']=int(round(Peptide_mass(peptides)))
>     pep_dic = [peptide for peptide in pep_dic if peptide['length'] <= int(max_length)]
>     pep_df = pd.DataFrame.from_dict(pep_dic)
>     return unique_peptides,pep_dic,pep_df

感谢您提供有关如何解决此问题的任何见解。

** 更新：如果我在不同的集合上运行，我会得到同样的错误，这可能表明它是库本身。

错误截图：

【问题讨论】：

The regex matches that char seqeuence.

([^-]+-)? -- 这是一系列非破折号后跟破折号，但最后一个 ?说“这整个序列是可选的。”

谢谢。我希望它匹配，我只是不确定它为什么会抛出这个错误。

【参考方案1】：

这里是 Pyteomics 维护者。

错误信息其实告诉你问题的根源：PyteomicsError: Pyteomics error, message: "Not a valid modX sequence: 'sequence': 'AKDEVQKN'"

这意味着您传递的不是字符串'AKDEVQKN'，而是字典'sequence': 'AKDEVQKN'。这实际上发生在这里：

pep_dic = ['sequence': i for i in unique_peptides]
for peptides in pep_dic:
    pep_dic['parsed_sequence'] = parser.parse(peptides,show_unmodified_termini=False)
    ...

您应该将序列本身传递给parse，而不是字典：

pep_dic['parsed_sequence'] = parser.parse(peptides['sequence'], show_unmodified_termini=False)

【讨论】：

谢谢，我确实在另一篇文章中解决了这个问题。不过感谢您的澄清！

***.com/questions/66498402/…

【参考方案2】：

在我运行解析器之前尝试使用它们的有效函数来测试所有肽段。我在我的字符串中找不到任何错误。我现在正在查看他们的功能或我自己的功能。

> for peptide in menu["Peptide"]:
>     x=parser.valid(peptide)
>     if x == False:
>         print(peptide)
>         break
>     else:
>         print(x)

【参考方案3】：

不是解决方案，而是一些分析...

在下面的简单案例示例代码中，“AKDEVQKN”使用帖子中的正则表达式匹配。

import re

line = 'AKDEVQKN'

pat = re.compile(r'^([^-]+-)?((?:[^A-Z-]*[A-Z])+)(-[^-]+)?$')

x = re.match(pat, line)

if x:
    print(x)
    print(x.group())
    print(x.groups())

输出：

<re.Match object; span=(0, 8), match='AKDEVQKN'>
AKDEVQKN
(None, 'AKDEVQKN', None)

这表明问题出在代码的其他地方。

'AKDEVQKN' 是完整的系列还是还有更多？ _modX_sequence 是否可能在使用序列“AKDEVQKN”调用 re.match 时已更改？ 要检查，暂时更改~\Anaconda\envs\SciFly\lib\site-packages\pyteomics\parser.py 在第 312 行，来自：

try:
  n, body, c = re.match(_modX_sequence, sequence).groups()
except AttributeError: 

到

try:
  if sequence == 'AKDEVQKN':
    print("DEBUG: ", sequence, _modX_sequence)
    # or drop into a debugger, pdb or iPython's 
    # import pdb; pdb.set_trace()
    # dir() 
  n, body, c = re.match(_modX_sequence, sequence).groups()
except AttributeError:

【讨论】：

我刚刚更新了这个问题。我已经尝试过使用不同的酶，基本上我需要 20,000 个字符串并生成 >500,000 个字符串，这些字符串最终形成一组。我开始怀疑库代码中存在错误。我将效仿他们的做法，看看我最终会得到什么。

它似乎在随机字符串上抛出错误。

现在我看到你的帖子，我开始认为这是他们的代码。 ``` 312 try: --> 313 n, body, c = re.match(_modX_sequence, sequence).groups() 314 除了AttributeError: ``