我有一个看起来像这样的代码:
import HTSeq
reference = open('genome.fa','r')
sequences = dict( (s.name, s) for s in HTSeq.FastaReader(reference))
out = open('homopolymers_in_ref','w')
def find_all(a_str,sub):
start = 0
while True:
start = a_str.find(sub, start)
if start == -1: return
yield start
start += len(sub)
homa = 'AAAAAAAAAA'
homc = 'CCCCCCCCCC'
homg = 'GGGGGGGGGG'
homt = 'TTTTTTTTTT'
for key,line in sequences.items():
seq = str(line)
a= list(find_all(seq,homa))
c = list(find_all(seq,homc))
g = list(find_all(seq,homg))
t = list(find_all(seq,homt))
for i in a:
## print i,key,'A'
out.write(str(i)+'\t'+str(key)+'\t'+'A'+'\n')
for i in c:
out.write(str(i)+'\t'+str(key)+'\t'+'C'+'\n')
## print i,key,'C'
for i in g:
out.write(str(i)+'\t'+str(key)+'\t'+'G'+'\n')
for i in t:
out.write(str(i)+'\t'+str(key)+'\t'+'T'+'\n')
out.close()
我使用 HTSeq 打开引用文献。它的作用 - 它寻找长度为 10 的简单均聚物并输出起始位置、染色体和类型(A、C、T、G、)。
序列总是看起来像: ACCGCTACGATCGATCGAAAAAAAAAAAAAAAAAACGATCGAC 汽车 有时它包含 N
所以我们正在寻找的均聚物是: AAAAAAAAAA(或其他仅由 C,G,T 组成的)
基本上,您的帮助仅与 find_all 函数有关: 现在我想改变的是找到每个均聚物的长度。因为,现在如果均聚物的长度为 15,我的脚本无法告诉它。 我正在考虑通过某种正则表达式来做到这一点,即:像现在一样找到至少 10 bp 并通过向其添加 +1 来计算长度,直到下一个碱基与均聚物中的碱基不同为止。
关于如何在 python 中使用正则表达式有什么建议吗?
最佳答案
如果你想用正则表达式做到这一点,你可以尝试这样的事情:
>>> import re
>>> seq = 'ACCGCTACGATCGATCGAAAAAAAAAAAAAAAAAACGATCGAC'
>>>
>>> [(m.group(), m.start())
... for m in re.finditer(r'([ACGT])\1{9,}', seq)
... if len(m.group()) >= 10]
[('AAAAAAAAAAAAAAAAAA', 17)]
这会生成一个 (sequence, start_index)
元组列表。
关于Python,通过正则表达式找到(n)n字符串的长度,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/18702165/