5

我在 python 中有一个列表，其中包含一个项目，它是以 Newick 格式编写的树，如下所示：

['(BMNH833953:0.16529463651919140688,(((BMNH833883:0.22945757727367316336,(BMNH724182a:0.18028180766761139897,(BMNH724182b:0.21469677818346077913,BMNH724082:0.54350916483644962085):0.00654573856803835914):0.04530853441176059537):0.02416511342888815264,(((BMNH794142:0.21236619242575086042,(BMNH743008:0.13421900772403019819,BMNH724591:0.14957653992840658219):0.02592135486124686958):0.02477670174791116522,BMNH703458a:0.22983459269245612444):0.00000328449424529074,BMNH703458b:0.29776257618061197086):0.09881729077887969892):0.02257522897558370684,BMNH833928:0.21599133163597591945):0.02365043128986757739,BMNH724053:0.16069861523756587274):0.0;']

在树格式中，如下所示：

在此处输入图像描述

我正在尝试编写一些代码来查看列表项并返回 ID (BMNHxxxxxx)，这些 ID (BMNHxxxxxx) 由 0 的分支长度（例如 <0.001）连接（以红色突出显示）。我考虑过使用正则表达式，例如：

JustTree = []
with JustTree as f:
    for match in re.finditer(r"(?<=Item\sA)(?:(?!Item\sB).){50,}", subject, re.I):
        f.extend(match.group()+"\n")

取自另一个 StackOverflow 答案，其中项目 A 将是“：”，因为分支长度始终出现在 a : 之后，而项目 B 将是“，”或“）”或“；” 因为这些有三个字符来分隔它，但我在正则表达式方面没有足够的经验来做到这一点。

在这种情况下，通过使用 0 的分支长度，我希望代码输出 ['BMNH703458a', 'BMNH703458b']。如果我可以将其更改为还包括由用户定义值的分支长度（例如 0.01）连接的 ID，这将非常有用。

如果有人有任何意见，或者可以指出一个有用的答案，我将不胜感激。

4

3 回答 3

2

有几个 Python 库支持 newick 格式。ETE 工具包允许读取newick字符串并将树作为 Python 对象进行操作：

from ete2 import Tree
tree = Tree(newickFile)
print tree

可以选择几种 newick 子格式并解析分支距离，即使它们以科学计数法表示。

from ete2 import Tree
tree = Tree("(A:3.4, (B:0.15E-10,C:0.0001):1.5E-234);")
于 2014-06-19T20:29:52.097 回答
2

我知道您的问题已得到解答，但如果您希望将数据作为嵌套列表而不是扁平字符串：

import re
import pprint

a="(BMNH833953:0.16529463651919140688,(((BMNH833883:0.22945757727367316336,(BMNH724182a:0.18028180766761139897,(BMNH724182b:0.21469677818346077913,BMNH724082:0.54350916483644962085):0.00654573856803835914):0.04530853441176059537):0.02416511342888815264,(((BMNH794142:0.21236619242575086042,(BMNH743008:0.13421900772403019819,BMNH724591:0.14957653992840658219):0.02592135486124686958):0.02477670174791116522,BMNH703458a:0.22983459269245612444):0.00000328449424529074,BMNH703458b:0.29776257618061197086):0.09881729077887969892):0.02257522897558370684,BMNH833928:0.21599133163597591945):0.02365043128986757739,BMNH724053:0.16069861523756587274):0.0;"

def tokenize(str):
  for m in re.finditer(r"\(|\)|[\w.:]+", str):
    yield m.group()

def make_nested_list(tok, L=None):
  if L is None: L = []
  while True:
    try: t = tok.next()
    except StopIteration: break
    if   t == "(": L.append(make_nested_list(tok))
    elif t == ")": break
    else:
      i = t.find(":"); assert i != -1
      if i == 0: L.append(float(t[1:]))
      else:      L.append([t[:i], float(t[i+1:])])
  return L

L = make_nested_list(tokenize(a))
pprint.pprint(L)
于 2014-04-19T18:40:59.187 回答
2

好的，这是一个只提取数字（可能有小数）的正则表达式：

\b[0-9]+(?:\.[0-9]+)?\b

\bs 确保它旁边的数字周围没有其他数字、字母或下划线。它被称为单词边界。

[0-9]+匹配多个数字。

(?:\.[0-9]+)?是一个可选组，意味着它可能匹配也可能不匹配。如果第一个之后有一个点和数字[0-9]+，那么它将匹配那些。否则，它不会。该组本身匹配一个点，并且至少匹配一个数字。

您可以使用它re.findall来将所有匹配项放在一个列表中：

import re
NewickTree = ['(BMNH833953:0.16529463651919140688,(((BMNH833883:0.22945757727367316336,(BMNH724182a:0.18028180766761139897,(BMNH724182b:0.21469677818346077913,BMNH724082:0.54350916483644962085):0.00654573856803835914):0.04530853441176059537):0.02416511342888815264,(((BMNH794142:0.21236619242575086042,(BMNH743008:0.13421900772403019819,BMNH724591:0.14957653992840658219):0.02592135486124686958):0.02477670174791116522,BMNH703458a:0.22983459269245612444):0.00000328449424529074,BMNH703458b:0.29776257618061197086):0.09881729077887969892):0.02257522897558370684,BMNH833928:0.21599133163597591945):0.02365043128986757739,BMNH724053:0.16069861523756587274):0.0;']

pattern = re.compile(r"\b[0-9]+(?:\.[0-9]+)?\b")

for tree in NewickTree:
    branch_lengths = pattern.findall(tree)
    # Do stuff to the list branch_lengths
    print(branch_lengths)

对于此列表，您可以打印以下内容：

['0.16529463651919140688', '0.22945757727367316336', '0.18028180766761139897',
 '0.21469677818346077913', '0.54350916483644962085', '0.00654573856803835914', 
 '0.04530853441176059537', '0.02416511342888815264', '0.21236619242575086042',
 '0.13421900772403019819', '0.14957653992840658219', '0.02592135486124686958', 
 '0.02477670174791116522', '0.22983459269245612444', '0.00000328449424529074',
 '0.29776257618061197086', '0.09881729077887969892', '0.02257522897558370684',
 '0.21599133163597591945', '0.02365043128986757739', '0.16069861523756587274',
 '0.0']
于 2014-04-19T17:21:37.440 回答