cs50 PSET6/DNA 正则表达式

Question

我试图通过在序列文件中查找连续 STR（子字符串模式，即“AGAT”）的数量来工作。

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）： AAGGTAAGTTTAGAATATAAAAGGTGAGTTAAATAGAATAGGTTAAAATTAAAGGAGATCAGATCAGATCAGATCTATCTATCTATCTATCTATCAGAAAAGAGTAAATAGTTAAAGAGTAAGATATTGAATTAATGGAAAATATTGTTGGGGAAAGGAGGGATAGAAGG

在上述序列中，TATC 是运行 5 个连续 TATC 对时的最大值。 使用我的正则表达式，无论它们是否连续，它都会返回匹配项。

我相信使用正则表达式是我最好的选择。 这是我第一次使用 Python，所以不要期望太多。 我在 regex101.com 上使用了 regex 工具，它让我对 regex 公式有了一些很好的了解。 我将一个变量传递给带有 {head} 的正则表达式，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返回一个匹配head至少 1 次或多次，所以我知道为什么它会以这种方式返回。

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

如果我在 regex101.com 中使用r"(AGAT){2,}" ，这将按我期望的方式工作。 它查找匹配的字符串 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，它不会返回任何内容。

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)

如果我使用上述groups = re.findall(rf'(?:{head})+', text)变量，我会得到以下输出

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 pattern ((your pattern)\\2*)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'(({})\2*)'.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])))

印刷：

Most repeated pattern: TATC, number of repetitions 5

Answer 2

这个答案来自 Reddit 的 cs50 subreddit 上的yeahIProgram 用户。

"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，我只需要获得字符串出现的总次数，我应该会很好。

谢谢@Andrej Kesely 的意见。