Python，通過正則表達式查找（n）n字符串的長度

Question

我有一個看起來像這樣的代碼：

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()

我用HTSeq打開參考。 它的作用-尋找長度為10的簡單均聚物，並輸出起始位置，染色體和類型（A，C，T，G，）。

該序列始終看起來像：ACCGCTACGATCGATCGAAAAAAAAAAAAAAAAAAAAACGATCGAC有時它包含N

因此我們要尋找的均聚物是：AAAAAAAAAA（或其他僅由C，G，T組成的）

基本上，您的幫助只是關於find_all函數：現在，我想更改的是找到每種均聚物的長度。 因為，現在如果均聚物的長度為15，我的腳本無法告訴它。 我當時正在考慮通過某種正則表達式來做到這一點，即：像現在一樣找到至少10 bp，並通過向其添加+1直到下一個鹼基與均聚物中的鹼基不一樣來計算長度。

關於如何使用正則表達式在python中做任何建議？

Answer 1

如果您想使用正則表達式執行此操作，則可以嘗試以下操作：

>>> 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)]

這將生成一個(sequence, start_index)元組的列表。