查找每个字母至少重复一次的正则表达式

Question

从任何 *.fasta DNA 序列（仅“ACTG”字符）中，我必须找到每个字母至少重复一次的所有序列。

例如，从序列“AAGTCCTAG”中，我应该能够找到：“AAGTC”、“AGTC”、“GTCCTA”、“TCCTAG”、“CCTAG”和“CTAG”（每个字母的迭代）。

我不知道如何在 pyhton 2.7 中做到这一点。我正在尝试使用正则表达式，但它并未搜索所有变体。

我怎样才能做到这一点？

Answer 1

您可以找到长度为 4+ 的所有子字符串，然后从这些子字符串中向下选择以仅找到包含每个字母之一的最短可能组合：

s = 'AAGTCCTAG'

def get_shortest(s):
  l, b = len(s), set('ATCG')
  options = [s[i:j+1] for i in range(l) for j in range(i,l) if (j+1)-i > 3]
  return [i for i in options if len(set(i) & b) == 4 and (set(i) != set(i[:-1]))]

print(get_shortest(s))

输出：

['AAGTC', 'AGTC', 'GTCCTA', 'TCCTAG', 'CCTAG', 'CTAG']

Answer 2

这是另一种方法。也许不如 chrisz answere 快和好。但是对于初学者来说可能更容易阅读和理解。

DNA='AAGTCCTAG'
toSave=[]
for i in range(len(DNA)):
    letters=['A','G','T','C']
    j=i
    seq=[]
    while len(letters)>0 and j<(len(DNA)):
        seq.append(DNA[j])
        try:
            letters.remove(DNA[j])
        except:
            pass
        j+=1
    if len(letters)==0:
        toSave.append(seq)

print(toSave)

Answer 3

由于您要查找的子字符串可能是任意长度，因此 LIFO 队列似乎可以工作。一次附加每个字母，检查每个字母是否至少有一个。如果找到归还。然后去掉前面的字母，一直检查直到不再有效。

def find_agtc_seq(seq_in):
    chars = 'AGTC'
    cur_str = []
    for ch in seq_in:
        cur_str.append(ch)
        while all(map(cur_str.count,chars)):
            yield("".join(cur_str))
            cur_str.pop(0)

seq = 'AAGTCCTAG'
for substr in find_agtc_seq(seq):
    print(substr)

这似乎导致了您正在寻找的子字符串：

AAGTC
AGTC
GTCCTA
TCCTAG
CCTAG
CTAG

Answer 4

我真的很想为此创建一个简短的答案，所以这就是我想出的！

See code in use here

s = 'AAGTCCTAG'
d = 'ACGT'
c = len(d)

while c <= len(s):
    x,c = s[:c],c+1
    if all(l in x for l in d):
        print(x)
        s,c = s[1:],len(d)

它的工作原理如下：

• c 设置为我们确保字符串中存在的字符串长度 (d = ACGT)
• while 循环遍历s 的每个可能的子字符串，使得c 小于s 的长度。
  • 这通过在 while 循环的每次迭代中将 c 增加 1 来实现。
  • 如果我们的字符串d (ACGT) 中的每个字符都存在于子字符串中，我们打印结果，将c 重置为其默认值，然后从开始将字符串分割为1 个字符。
  • 循环继续直到字符串s 比d 短

结果：

AAGTC
AGTC
GTCCTA
TCCTAG
CCTAG
CTAG

---

改为在列表中获取输出 (see code in use here)：

s = 'AAGTCCTAG'
d = 'ACGT'
c,r = len(d),[]

while c <= len(s):
    x,c = s[:c],c+1
    if all(l in x for l in d):
        r.append(x)
        s,c = s[1:],len(d)

print(r)

结果：

['AAGTC', 'AGTC', 'GTCCTA', 'TCCTAG', 'CCTAG', 'CTAG']

Answer 5

如果您可以将序列分解为列表，例如5 个字母的序列，然后您可以使用此功能查找重复的序列。

from itertools import groupby
import numpy as np

def find_repeats(input_list, n_repeats):
    flagged_items = []

    for item in input_list:
        # Create itertools.groupby object
        groups = groupby(str(item))

        # Create list of tuples: (digit, number of repeats)
        result = [(label, sum(1 for _ in group)) for label, group in groups]

        # Extract just number of repeats
        char_lens = np.array([x[1] for x in result])   

        # Append to flagged items
        if any(char_lens >= n_repeats):
            flagged_items.append(item)

    # Return flagged items
    return flagged_items

#--------------------------------------
test_list = ['aatcg', 'ctagg', 'catcg']

find_repeats(test_list, n_repeats=2)  # Returns ['aatcg', 'ctagg']