如何向 re.findall ... Python 2.7 添加其他条件？

Question

ORF_sequences = re.findall(r'ATG(?:...){9,}?(?:TAA|TAG|TGA)',sequence)  #thanks to @Martin Pieters and @nneonneo

我有一行代码可以找到 A|G 的任何实例，后跟 2 个字符，然后是 ATG，当以 3 为单位读取时，ATG 后跟 TAA|TAG|TGA。仅在 A|G- 时有效xx-ATG-xxx-TAA|TAG|TGA 为 30 个或更多元素

我想添加一个条件

我需要 ATG 后跟一个 G

所以 A|G-xx-ATG-Gxx-xxx-TAA|TGA|TAG #至少 30 个元素长 例子： GCCATGGGGTTTTTTTTTTTTTTTTTTTTTTTTGA ^ 会工作

GCATGAGGTTTTTTTTTTTTTTTTTTTTTTTTTGA
^ would not work because it is an (A|G) followed by only one value (not 2) before the ATG and there is not a G following the A|G-xx-ATG

我希望这是有道理的

我试过了

ORF_sequences = re.findall(r'ATGG(?:...){9,}?(?:TAA|TAG|TGA)',sequence)

但它似乎在 ATGG 的最后一个 G 之后使用了窗口大小 3

基本上我需要该代码，其中第一次出现是 A|G-xx-ATG，第二次出现是 (G-xx)

Answer 1

如果使用[AG]的字符组会更容易，不需要将两个'free'字符分组：

 ORF_sequences2 = re.findall(r'[AG]..ATG(?:...)*?(?:TAA|TAG|TGA)',fdna)

或者你需要对A|G进行分组：

 ORF_sequences2 = re.findall(r'(?:A|G)..ATG(?:...)*?(?:TAA|TAG|TGA)',fdna)

将第一种形式应用于您的示例：

>>> re.findall(r'[AG]..ATG(?:...)*?(?:TAA|TAG|TGA)', 'GCCATGGGGTTTTGA')
['GCCATGGGGTTTTGA']
>>> re.findall(r'[AG]..ATG(?:...)*?(?:TAA|TAG|TGA)', 'GCATGGGGTTTTGA')
[]

在您的尝试中，表达式匹配A 或表达式G(?:..)ATG(?:...)*?(?:TAA|TAG|TGA)，因为| 符号适用于在同一组中之前或之后的所有内容。因为它没有分组，所以它适用于整个表达式：

>>> re.findall(r'A|G(?:..)ATG(?:...)*?(?:TAA|TAG|TGA)', 'A')
['A']
>>> re.findall(r'A|G(?:..)ATG(?:...)*?(?:TAA|TAG|TGA)', 'GCCATGGGGTTTTGA')
['GCCATGGGGTTTTGA']

如果您需要在整个匹配中匹配一定数量的字符，则需要定制这 3 个字符 (?:...) 组以匹配最少次数：

 ORF_sequences2 = re.findall(r'[AG]..ATGG..(?:...){7,}?(?:TAA|TAG|TGA)',fdna)

将匹配 A 或 G 后跟 2 个字符，然后是 ATGG 和另外 2 个字符，然后 至少 7 乘以 3 个字符（共 21 个），然后是特定的3 个以上的模式（TAA、TAG 或 TGA），从第一个字符到最后一个字符总共至少 33 个字符。额外的.. 在ATG 之后构成了3 的模式，并与您评论中的示例相匹配：

>>> re.findall(r'[AG]..ATGG..(?:...){7,}?(?:TAA|TAG|TGA)', 'GCCATGGGGTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTGA')
['GCCATGGGGTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTGA']

以及正确处理问题中给出的示例：

>>> re.findall(r'[AG]..ATGG..(?:...){7,}?(?:TAA|TAG|TGA)', 'GCCATGGGGTTTTTTTTTTTTTTTTTTTTTTTTTGA')
['GCCATGGGGTTTTTTTTTTTTTTTTTTTTTTTTTGA']
>>> re.findall(r'[AG]..ATGG..(?:...){7,}?(?:TAA|TAG|TGA)', 'GCATGAGGTTTTTTTTTTTTTTTTTTTTTTTTTGA')
[]

Answer 2

为确保您获得至少 30 个字符，请使用 {n,} 量词：

r'[AG]..ATG(?:...){9,}?(?:TAA|TAG|TGA)'

这可确保您在 ATG 开头和 TAA|TGA|TAG 终止符之间至少读取 9 个三元组（27 个字符）。