从具有定义的起点和终点的字符串中提取子字符串

Question

我有一个或多或少看起来像这样的三个序列的列表（res）：

res = [
     'NVAKMFPQRKFT<STOP>TVQTLMRNGTLLERG<STOP>CCEVSP',

     'QKRMDCNASV<STOP>TVTVQTLMQTL<STOP>TNTPKGG<STOP>',

     'MEKGYADAE<STOP>RKTF<STOP>MTVRAGCCGI<STOP>MK'
]

我想将这些序列中的每一个拆分为以“M”开头并以（但不包括）<STOP> 结尾的子字符串。 这些子串在这里被定义为外显子。 我不希望我的外显子重叠（实际序列比这里的样本长得多）。 我希望在 M 和 < STOP > 之间至少有两个字符。

   exon = list()
   for seq in res:
        string = str(res)
        result = re.search("M(.*?)<STOP>", string)
        if result:
            found = list()
            found = result.group()
            exon.append(found)
   print exon

我想得到一个这样的嵌套列表：

exon = [

     "['MFPQRKFT', 'MRNGTLLERG']",
     "['MDCNASV', 'MQTL']",
     "['MEKGYADAE', 'MTVRAGCCGI']"
]

但是现在我只得到一个带有几个外显子的列表，并且我在每个列表的末尾都有 < STOP >。

Answer 1

您可以使用带有捕获组和 re.findall 的模式，它将返回捕获组的值

(M.{2,}?)<STOP>

• (捕获组 1 （这将由 re.findall 返回）
  • M.{2,}? 匹配M和 2 次或更多次任何字符非贪婪
• )关闭第 1 组
• <STOP>字面匹配

查看正则表达式演示和Python 演示

如果您只想匹配大写字符（ .匹配除换行符以外的任何字符），您可以使用

(M[A-Z]{2,})<STOP>

正则表达式演示

例如

import re

exon = list()
res = [
     'NVAKMFPQRKFT<STOP>TVQTLMRNGTLLERG<STOP>CCEVSP',
     'QKRMDCNASV<STOP>TVTVQTLMQTL<STOP>TNTPKGG<STOP>',
     'MEKGYADAE<STOP>RKTF<STOP>MTVRAGCCGI<STOP>MK'
]

for seq in res:
    exon.append(re.findall(r"(M.{2,}?)<STOP>", seq))
    
print(exon)

Output

[
  ['MFPQRKFT', 'MRNGTLLERG'],
  ['MDCNASV', 'MQTL'],
  ['MEKGYADAE', 'MTVRAGCCGI']
]