python - 使用零宽度断言查找匹配位置

Question

我正在尝试编写一个脚本来找到 DNA 序列的开放阅读框。但是，我需要确保正则表达式可以找到重叠区域，因此使用了前瞻断言。问题是当我试图显示匹配的位置时，python 没有返回预期值。我怀疑这是因为 ?= 是一个零宽度断言。我应该如何解决这个问题？

Answer 1

您的模式在ATG. 然后，您应该捕获一个组，但该组对您的匹配没有贡献，因此您可能会-1为您的match.startand获得一个match.end。请参阅http://docs.python.org/2/library/re.html#re.MatchObject.end

finditer() 专门用于非重叠匹配，因此您必须在使用 finditer() 与 start() 和 end() 之间做出决定。请参阅http://docs.python.org/2/library/re.html#re.finditer

我没有足够的知识来推荐一个优雅的 finditer() 替代品。

Answer 2

拿好组....

我希望我猜对了你想要什么。

import re

def orfs(sequence, aa):
     rframe = []
     orf_re = ('(?='
               '('
               'ATG(?:[ATGC]{3}){%d,}?'
               '(?:TAG|TAA|TGA)'
               ')'
               ')' \
                % (aa))
     for match in re.finditer(orf_re, sequence):
         print 'groups()',repr(match.groups()),match.span()
         print 'group(0)',repr(match.group(0)),match.span(0)
         print 'group(1)',repr(match.group(1)),match.span(1)
         print
         rframe.append('span (%d , %d)\n'
                'stop codon %s\n'
                'nucleotide length %d\n'
                'amino acid length %d\n'
                'reading frame %d\n'
                %
                (match.start(1),match.end(1),
                 sequence[match.end(1)-3:match.end(1)],
                 match.end(1) - match.start(1),
                 (match.end(1) - match.start(1) - 3)/3,
                 match.start() % 3))

     return rframe

s = ('AGCTGCTG',
     'ATG',
     'GGG' 'GGG' 'GGG' 'GGG' 'GGG' 'GGG',
     'TA',
     'A', # overlaping
     'TG',
     'CCC' 'CCC' 'CCC' 'CCC' 'CCC',
     'TAG',
     'TTTGTCTAG')

print '\n'.join(s)
print '==================='
s = ''.join(s)
print '\n'.join(orfs(s,3))

结果

AGCTGCTG
ATG
GGGGGGGGGGGGGGGGGG
TA
A
TG
CCCCCCCCCCCCCCC
TAG
TTTGTCTAG
===================
groups() ('ATGGGGGGGGGGGGGGGGGGGTAA',) (8, 8)
group(0) '' (8, 8)
group(1) 'ATGGGGGGGGGGGGGGGGGGGTAA' (8, 32)

groups() ('ATGCCCCCCCCCCCCCCCTAG',) (31, 31)
group(0) '' (31, 31)
group(1) 'ATGCCCCCCCCCCCCCCCTAG' (31, 52)

span (8 , 32)
stop codon TAA
nucleotide length 24
amino acid length 7
reading frame 2

span (31 , 52)
stop codon TAG
nucleotide length 21
amino acid length 6
reading frame 1