使用 Python 从 Newick 格式中提取分支长度答案

【问题标题】：Use Python to extract Branch Lengths from Newick Format使用 Python 从 Newick 格式中提取分支长度
【发布时间】：2014-04-19 16:06:22
【问题描述】：

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：

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

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 ':'，因为分支长度总是出现在 a : 之后，而项目 B 可能是 ',' 或 ')' 或 ';'因为这三个字符将其定界，但我在正则表达式方面的经验不足以做到这一点。

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。

【问题讨论】：

但对我来说，这两个 ID 不是由0 的分支长度连接，而是由0.00000328449424529074 的分支长度连接。是否有某种程度的精确度您认为微不足道？
@Jerry 道歉，我会编辑我的问题，是的，我假设 0.00000328449424529074 与 0 没有显着差异
虽然，这在此特定示例中有效，但在所有示例中均无效。因此，为了解释 newick 格式，假设我们有一棵树，其中包含三个物种：A、B 和 C，其中 A 和 B 与 C 的相关性更高。在树中，我上传了查看红色突出显示的树枝正上方的三个物种，看看我是说。在 Newick 格式中，这将被写为 ((A,B),C)。要包括分支长度，请在“：”之后添加长度。因此，虽然您的示例在这种情况下有效，但您可以看到，通过增加变量 0\.000，它将开始将不密切相关的 ID 放在一起。
我想解决这个问题的方法是将所有分支长度提取到一个列表（BranchLst1）中，将低于用户定义输入的那些添加到另一个列表（SmallBranchLst2）然后匹配这些分支回到原来的 Newick Tree 列表。我可以做第二点，但我不能制作一个从 Newick 树列表中提取所有分支长度并将它们放入另一个列表的正则表达式
谢谢，感谢您的帮助！是的，相关的 ID 将是相同的，如果它更容易我们可以忽略 a 或 b，因为我添加了它以帮助自己识别应该一起使用的 ID。这意味着树中的所有 ID 都是相同的，它们以 BMNH 开头并以 6 个数字结尾

标签： python regex dna-sequence phylogeny

【解决方案1】：

好的，这是一个仅提取数字（可能带有小数）的正则表达式：

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

\bs 确保其旁边的数字周围没有其他数字、字母或下划线。这叫做词界。

[0-9]+ 匹配多个数字。

(?:\.[0-9]+)? 是一个可选组，这意味着它可能匹配也可能不匹配。如果在第一个 [0-9]+ 之后有一个点和数字，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。

您可以将它与re.findall 一起使用以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']

【讨论】：

正则表达式可以简化为r"\b[\d.]+"。您可以将字符串转换为浮点数：branch_lengths = [float(x) for x in branch_lengths]
简化并不总是意味着更好。该正则表达式还将匹配很多点，以及\d 可以匹配的除英文数字之外的任何其他字符。
只是想提供帮助，杰瑞。 :)
我只是说为什么这不一定会更好:)
虽然转换为浮点数是个好主意，但我相信 OP 可以自己解决这个问题。 :) 看看你是否可以更好地实现下面的嵌套列表例程。我觉得它在 python 上不是最理想的。

【解决方案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)

【讨论】：

【解决方案3】：

有几个 Python 库支持 newick 格式。 ETE toolkit 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

几个 newick 子格式可以是 choosen 并且分支距离被解析，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);")

【讨论】：