在蛋白质序列中找到已识别模式的位置

Question

我正在尝试编写代码来查找蛋白质序列中的模式，然后找到已识别模式的位置（开始和结束）。对于已识别的模式，当我使用 .index() 搜索索引时，如果存在多个模式，我将无法获得正确的起始位置。但在这里我想要识别模式的开始和结束位置。 我正在寻找一种简单快捷的方法，而不是进行 BLAST。

import re
from io import StringIO

from Bio import SeqIO

sequence = StringIO(""">seq
FWSTQALLPTTLLGASP
""")

for seqs in SeqIO.parse(sequence, "fasta"):
    # to find pattern
    p = re.compile("L*")
    seqstr = str(seqs.seq)
    patternA = p.findall(seqstr)
    print(patternA)
    for t in patternA:
        print(seqstr.index(t))

预期结果： 7 LL 8 12 LL 13 提前致谢。

Answer 1

re.finditer 是您可能想要使用的，因为它会给您一个 match object，其中包含匹配的 start 和 end 坐标；这些可用于从原始字符串中分割子字符串。

import re
from io import StringIO

from Bio import SeqIO

sequence = StringIO(
    """>seq
FWSTQALLPTTLLGASPL
"""
)

for seqs in SeqIO.parse(sequence, "fasta"):
    # to find pattern
    p = re.compile("L*")
    seqstr = str(seqs.seq)
    matches = p.finditer(seqstr)

    for m in matches:
        if m.group():
            start, end = m.span()
            print(
                "{start} {match} {end}".format(start=start, match=m.group(), end=end)
            )

哪些输出：

6 LL 8
11 LL 13

---

关于python中字符串的注释，它们从零开始，这意味着第一个字符编号为0。值得一读tutorial on strings。 Breifly，使用您的序列：

           +---+---+---+---+---+---+---+---+---+---+---+---+---+---+---+---+---+
           | F | W | S | T | Q | A | L | L | P | T | T | L | L | G | A | S | P |
           +---+---+---+---+---+---+---+---+---+---+---+---+---+---+---+---+---+
slice pos: 0   1   2   3   4   5   6   7   8   9  10  11  12  13  14  15  16  17
index pos:   0   1   2   3   4   5   6   7   8   9  10  11  12  13  14  15  16

# So using the output you can see:
>>> seq[6:8]
'LL'