Python正则表达式：重叠序列位置

Question

我使用 Python 2.7 和正则表达式模块。我使用这个表达式在更长的 DNA 序列中找到一个短序列：

output = regex.findall(r'(?:'+probe+'){s<'+str(int(mismatches)+1)+'}', sequence, regex.BESTMATCH)

参数为：

• probe：我在基因组中寻找的一个短字符串
• 基因组：一长串
• mismatches ：我允许基因组中的探针/sn-p 之间存在多少差异。

有没有办法获得与基因组中正则表达式匹配的所有序列的位置？此脚本是否找到重叠匹配？它工作得很好，但后来我决定尝试，说：

probe = "TTGACAT" 
genome = "TTGACATTGACATATAAT" 
mismatches = 0

我明白了：

['TTGACAT']

参数相同但不匹配 = 10

我明白了：

['TTGACAT','GACATAT']

所以我不知道脚本是否只找到了一次“TTGACAT”，因为它与第二次出现重叠，或者它实际上找到了两次“TTGACAT”并且只显示了一次结果......

谢谢

Answer 1

这是因为它与第二次出现重叠。

如果你想要所有重叠的结果，你必须使用带有重叠标志的相同模式：

output = regex.findall(r'(?:'+probe+'){s<'+str(int(mismatches)+1)+'}', sequence, regex.BESTMATCH, overlapped=True)

如果你想知道序列位置：

for m in regex.finditer(r'(?:'+probe+'){s<'+str(mismatches+1)+'}', sequence, regex.BESTMATCH, overlapped=True):
    print '%d: %s' % (m.start(), m.group())

作为旁白：重叠结果的限制

如果我使用这三个参数：

probe = "ACTG.*ACTG"
sequence = "ACTGTTGACATTGAACTGCATATAATACTG"
mismatches = 0

我只会找到两个结果：['ACTGTTGACATTGAACTGCATATAATACTG', 'ACTGCATATAATACTG'] 而不是三个。因为两个结果不能在字符串中的相同位置开始。