使用Python从Newick格式中提取分支长度

Question

我在python中有一个列表，由一个项目组成，这是一个用Newick格式编写的树，如下所示：

['(BMNH833953:0.16529463651919140688,(((BMNH833883:0.22945757727367316336,(BMNH724182a:0.18028180766761139897,(BMNH724182b:0.21469677818346077913,BMNH724082:0.54350916483644962085):0.00654573856803835914):0.04530853441176059537):0.02416511342888815264,(((BMNH794142:0.21236619242575086042,(BMNH743008:0.13421900772403019819,BMNH724591:0.14957653992840658219):0.02592135486124686958):0.02477670174791116522,BMNH703458a:0.22983459269245612444):0.00000328449424529074,BMNH703458b:0.29776257618061197086):0.09881729077887969892):0.02257522897558370684,BMNH833928:0.21599133163597591945):0.02365043128986757739,BMNH724053:0.16069861523756587274):0.0;']

在树格式中，如下所示：

我正在尝试编写一些代码，这些代码将查看列表项并返回ID（BMNHxxxxxx），这些ID通过分支长度0（或者例如<0.001）连接（以红色突出显示）。 我想过使用正则表达式如：

JustTree = []
with JustTree as f:
    for match in re.finditer(r"(?<=Item\sA)(?:(?!Item\sB).){50,}", subject, re.I):
        f.extend(match.group()+"\n") 

从另一个StackOverflow答案中得出，其中项目A将是'：'，因为分支长度总是出现在：和项目B将是'，'或'）'或';' 因为这有三个字符划分它，但我没有经验足够的正则表达式来做到这一点。

在这种情况下，通过使用0的分支长度，我希望代码输出['BMNH703458a'，'BMNH703458b']。 如果我可以改变它以包括通过用户定义的值0.01的分支长度加入的ID，这将是非常有用的。

如果有人有任何意见，或者可以指出我有用的答案，我将非常感激。

Answer 1

好的，这是一个只提取数字（带有可能的小数）的正则表达式：

\b[0-9]+(?:\.[0-9]+)?\b

\\b确保旁边的数字周围没有其他数字，字母或下划线。 它被称为单词边界。

[0-9]+匹配多个数字。

(?:\\.[0-9]+)? 是一个可选组，意味着它可能匹配也可能不匹配。 如果在第一个[0-9]+之后有一个点和数字，那么它将匹配那些。 否则，它不会。 该组本身匹配一个点，至少1位数。

您可以将它与re.findall一起使用，将所有匹配项放入列表中：

import re
NewickTree = ['(BMNH833953:0.16529463651919140688,(((BMNH833883:0.22945757727367316336,(BMNH724182a:0.18028180766761139897,(BMNH724182b:0.21469677818346077913,BMNH724082:0.54350916483644962085):0.00654573856803835914):0.04530853441176059537):0.02416511342888815264,(((BMNH794142:0.21236619242575086042,(BMNH743008:0.13421900772403019819,BMNH724591:0.14957653992840658219):0.02592135486124686958):0.02477670174791116522,BMNH703458a:0.22983459269245612444):0.00000328449424529074,BMNH703458b:0.29776257618061197086):0.09881729077887969892):0.02257522897558370684,BMNH833928:0.21599133163597591945):0.02365043128986757739,BMNH724053:0.16069861523756587274):0.0;']

pattern = re.compile(r"\b[0-9]+(?:\.[0-9]+)?\b")

for tree in NewickTree:
    branch_lengths = pattern.findall(tree)
    # Do stuff to the list branch_lengths
    print(branch_lengths)

对于此列表，您将打印出来：

['0.16529463651919140688', '0.22945757727367316336', '0.18028180766761139897',
 '0.21469677818346077913', '0.54350916483644962085', '0.00654573856803835914', 
 '0.04530853441176059537', '0.02416511342888815264', '0.21236619242575086042',
 '0.13421900772403019819', '0.14957653992840658219', '0.02592135486124686958', 
 '0.02477670174791116522', '0.22983459269245612444', '0.00000328449424529074',
 '0.29776257618061197086', '0.09881729077887969892', '0.02257522897558370684',
 '0.21599133163597591945', '0.02365043128986757739', '0.16069861523756587274',
 '0.0']

Answer 2

我知道您的问题已得到解答，但如果您希望将数据作为嵌套列表而不是扁平字符串：

import re
import pprint

a="(BMNH833953:0.16529463651919140688,(((BMNH833883:0.22945757727367316336,(BMNH724182a:0.18028180766761139897,(BMNH724182b:0.21469677818346077913,BMNH724082:0.54350916483644962085):0.00654573856803835914):0.04530853441176059537):0.02416511342888815264,(((BMNH794142:0.21236619242575086042,(BMNH743008:0.13421900772403019819,BMNH724591:0.14957653992840658219):0.02592135486124686958):0.02477670174791116522,BMNH703458a:0.22983459269245612444):0.00000328449424529074,BMNH703458b:0.29776257618061197086):0.09881729077887969892):0.02257522897558370684,BMNH833928:0.21599133163597591945):0.02365043128986757739,BMNH724053:0.16069861523756587274):0.0;"

def tokenize(str):
  for m in re.finditer(r"\(|\)|[\w.:]+", str):
    yield m.group()

def make_nested_list(tok, L=None):
  if L is None: L = []
  while True:
    try: t = tok.next()
    except StopIteration: break
    if   t == "(": L.append(make_nested_list(tok))
    elif t == ")": break
    else:
      i = t.find(":"); assert i != -1
      if i == 0: L.append(float(t[1:]))
      else:      L.append([t[:i], float(t[i+1:])])
  return L

L = make_nested_list(tokenize(a))
pprint.pprint(L)

Answer 3

有几个Python库支持newick格式。 ETE工具包允许读取newick字符串并使用树作为Python对象操作：

from ete2 import Tree
tree = Tree(newickFile)
print tree

可以选择几个newick子格式，并且即使用科学计数法表示，也可以解析分支距离。

from ete2 import Tree
tree = Tree("(A:3.4, (B:0.15E-10,C:0.0001):1.5E-234);")