0

我有一个登录号和 16S rrna 序列的文件，我想做的是删除所有 RNA 行，只保留带有登录号和物种名称的行（并删除中间的所有垃圾）。所以我的输入文件看起来像这样（在登录号前面有 > ）：

> D50541 1 1409 1409bp rna Abiotrophia defiva Aerococcaceae
CUGGCGGCGU GCCUAAUACA UGCAAGUCGA ACCGAAGCAU CUUCGGAUGC UUAGUGGCGA ACGGGUGAGU AACACGUAGA UAACCUACCC UAGACUCGAG GAUAACUCCG GGAAACUGGA GCUAAUACUG GAUAAUGGAUAU AGAGAUAAUU UCUUUU...

> AY538167 1 1411 1411bp rna Acholeplasma hippikon Acholeplasmataceae
CUGGCGGCGU GCCUAAUACA UGCAAGUCGA ACGCUCUAUA GCAAUAUAGG GAGUGGCGAA CGGGUGAGUA ACACGUAGAU AACCUACCCU UACUUCGAGG AUAACUUCGG GAAACUGGAG CUAAUACUGG AUAGGUCAUA UUGAGAUGCAUC UUA ...

我希望我的输出看起来像这样：

>D50541 Abiotrophia defectiva Aerococcaceae

>AY538167 Acholeplasma hippikon Acholeplasmataceae

我写的代码做了我想要的……对于大多数行。它看起来像这样：

    #!/usr/bin/env python

    # take LTPs111.compressed fasta and reduce to accession numbers with names.
    import re
    infilename = 'LTPs111.compressed.fasta'
    outfilename = 'acs.fasta'

    regex = re.compile(r'(>)\s(\w+).+[rna]\s+([A-Z].+)')    

    #remove extra letters and spaces
    with open(infilename, 'r') as infile, open(outfilename, 'w') as outfile:
        for line in infile:
            x = regex.sub(r'\1\2 \3', line)
    #remove rna sequences
        for line in x:
            if '>' in line:
                outfile.write(x)

有时，代码似乎跳过了一些名称。例如，对于上面的第一个入藏号，我只回来了：

>D50541 气球菌科

为什么我的代码会这样做？每个入藏号的输入看起来相同，并且每行的“rna”和名字之间的间距相同（5 个空格）。

感谢任何可能有想法的人！

4

2 回答 2

2

我仍然无法运行您的代码以获得声称的结果，但我想我知道问题出在哪里：

>>> line = '> AY538167 1 1411 1411bp rna Acholeplasma hippikon Acholeplasmataceae'
>>> regex = re.compile(r'(>)\s(\w+).+[rna]\s+([A-Z].+)')
>>> regex.findall(line)
[('>', 'AY538167', 'Acholeplasmataceae')]

问题是[rna]\s+匹配任何一个字符 r, n, 或a在单词的末尾。而且，因为所有匹配都是贪婪的，没有前瞻或其他任何东西来阻止它，这意味着它匹配n.hippikon

简单的解决方案是删除括号，使其匹配字符串 rna：

>>> regex = re.compile(r'(>)\s(\w+).+rna\s+([A-Z].+)')

如果您的任何物种或属可以以该字符串结尾，那将不起作用。有没有这样的名字？如果是这样，您需要想出一个更好的方法来描述1409bp零件和rna零件之间的截止点。最简单的可能是只寻找rna被空格包围的：

>>> regex = re.compile(r'(>)\s(\w+).+\s+rna\s+([A-Z].+)')

这是否真的正确，我不能在不了解格式的情况下说，但希望您了解我做得足够好以验证它是否正确（或者至少提出比我能问的更聪明的问题）。

添加捕获组可能有助于调试事物。例如，而不是这个：

(>)\s(\w+).+[rna]\s+([A-Z].+)

……搜索这个：

(>)(\s)(\w+)(.+[rna]\s+)([A-Z].+)

显然，您想要的捕获组现在\1\3 \5不是\1\2 \3……但最重要的是您可以看到匹配的内容\4：

[('>', ' ', 'AY538167', ' 1 1411 1411bp Acholeplasma hippikon ', 'Acholeplasmataceae')]

所以，现在的问题是“为什么.+[rna]\s+匹配'1 1411 1411bp Acholeplasma hippikon '？有时上下文很重要，但在这种情况下，它并不重要。您不希望该组在任何上下文中匹配该字符串，但它总是会匹配它，所以那是您必须调试的部分。

此外，可视化的正则表达式浏览器通常也有很大帮助。最好的可以为表达式的部分内容和匹配的文本等着色，以向您展示正则表达式如何以及为什么这样做。

当然，您会受到那些在您的平台上或在线上运行并使用 Python 语法的限制。如果您小心和/或只使用简单的功能（如您的示例中），perl/PCRE 语法非常接近 Python，并且 JavaScript/ActionScript 也非常接近（要记住的一大区别是替换/ sub 使用$而不是\1)。

我没有一个很好的在线推荐，但快速浏览一下Debuggex看起来很酷。

于 2013-05-06T18:47:36.823 回答
0

括号之间的项目是字符类，因此通过将正则表达式设置为查找“[rna]”，您请求的行包含r、n 或 a，但不是全部三个。

此外，如果您想要的所有行都具有“bp rna”模式，我会用它来拉出这些行。通过逐行读取文件，以下内容对我来说适用于快速而肮脏的 line-yanker，例如：

regex = re.compile(r'^[\w\s]+bp rna .*$')

但是，再一次，如果它像在其中查找带有“bp rna”的行一样简单，您可以逐行读取文件并完全放弃正则表达式：

for line in file:
   if "bp rna" in line:
     print(line)

编辑：我没有仔细阅读请求而搞砸了。也许捕获和替换正则表达式会有所帮助？

for line in file:
  if "bp rna" in line:
    subreg = re.sub(r'^(>[\w]+)\s[\d\s]+bp\srna\s([\w\s]+$)', r"\1 \2", line)
    print(subreg)

输出：

>AY538166 Acholeplasma granularum Acholeplasmataceae

>AY538167 Acholeplasma hippikon Acholeplasmataceae

这应该匹配您想要的内容之间的任何空格（制表符或空格）。

于 2013-05-06T18:56:23.713 回答