如何捕獲組的最長序列

Question

任務是找到一個組的最長序列

例如，給定 DNA 序列： "AGATCAGATCTTTTTTCTAATGTCTAGGATATATCAGATCAGATCAGATCAGATCAGATC" ，它出現了 7 次 AGATC。 (AGATC)匹配所有出現。 是否可以編寫一個僅捕獲最長序列的正則表達式，即給定文本中的AGATCAGATCAGATCAGATCAGATC ？ 如果這僅使用正則表達式是不可能的，我如何遍歷 python 中的每個序列（即第一個序列是AGATCAGATC ，第二個 - AGATCAGATCAGATCAGATCAGATC等等）？

Answer 1

利用：

import re

sequence = "AGATCAGATCTTTTTTCTAATGTCTAGGATATATCAGATCAGATCAGATCAGATCAGATC"
matches = re.findall(r'(?:AGATC)+', sequence)

# To find the longest subsequence
longest = max(matches, key=len)

解釋：

非捕獲組(?:AGATC)+

• +量詞 - 匹配一次到無限次，盡可能多次。
• AGATC從字面上匹配字符 AGATC（區分大小寫）

結果：

# print(matches)
['AGATCAGATC', 'AGATCAGATCAGATCAGATCAGATC']

# print(longest)
'AGATCAGATCAGATCAGATCAGATC'

您可以在here測試正則表達式。

Answer 2

中心問題是，“是否可以編寫一個只捕獲最長序列的正則表達式？” 答案是“是”：

import re

s = 'AGATC_AGATCAGATC_AGATCAGATCAGATC_AGATC_AGATCAGATC'

m = re.search(r'((?:AGATC)+)(?!.*\1)', s)
print m.group() if m else ''
  #=> "AGATCAGATCAGATC"

正則表達式演示_{^< ¯\ (ツ) /¯ ^>} Python 演示

Python 的正則表達式引擎執行以下操作。

(            begin capture group 1
  (?:AGATC)  match 'AGATC' in a non-capture group
  +          execute the non-capture group 1+ times
)            end capture group 1
(?!          begin a negative lookahead
  .*         match 0+ characters
  \1         match the content of capture group 1
)            end the negative lookahead

對於上面的字符串s ， AGATC將首先被匹配，但否定的前瞻將發現AGATC作為AGATCAGATC的第一部分，因此暫時匹配將被拒絕。 然后AGATCAGATC將被匹配，但負前瞻將發現AGATCAGATC作為AGATCAGATCAGATC的第一部分，因此也將拒絕試探性匹配。 接下來， AGATCAGATCAGATC將被匹配並接受，因為否定前瞻將不會在字符串中找到該匹配項。 （ re.findall與re.search不同，它也會匹配字符串末尾的AGATCAGATC 。）

如果使用了re.findall ，在最長的匹配項之后可能會有多個匹配項（請參閱正則表達式演示鏈接中的最后一個測試字符串），但匹配項的長度從第一個到最后一個不會減少。 因此，使用re.search獲得的第一個匹配是最長的匹配。

Answer 3

使用re.finditer()遍歷所有匹配項。 然后使用帶有鍵 function 的max()來找到最長的。 將其設為 function 以便您可以使用不同的組。

import re

def find_longest(sequence, group):
    # build pattern
    pattern = fr"(?:{group})+"

    # iterate over all matches
    matches = (match[0] for match in re.finditer(pattern, sequence))

    # find the longest
    return max(matches, key=len)

seq = "AGATCAGATCTTTTTTCTAATGTCTAGGATATATCAGATCAGATCAGATCAGATCAGATC"

find_longest(seq, "AGATC")