在 python 中以特定模式剪切字符串

Question

我有一些长度的字符串，只包含 4 个字符 'A,T,G and C'。我在给定的字符串中多次出现模式 'GAATTC'。我必须以这种模式所在的间隔切割字符串.. 例如对于字符串 'ATCGAATTCATA'，我应该得到

的输出

字符串一 - ATCGA
字符串二 - ATTCATA

我是使用 Python 的新手，但我想出了以下（不完整的）代码：

seq = seq.upper()
str1 = "GAATTC"
seqlen = len(seq)
seq = list(seq)

for i in range(0,seqlen-1):
    site = seq.find(str1)
    print(site[0:(i+2)])

任何帮助将不胜感激。

Answer 1

这是一个简单的解决方案：

seq = 'ATCGAATTCATA'
seq_split = seq.upper().split('GAATTC')
result = [ 
    (seq_split[i]  + 'GA') if i % 2 == 0 else ('ATTC' + seq_split[i]) 
    for i in range(len(seq_split)) if len(seq_split[i]) > 0 
]

结果：

print(result)
['ATCGA', 'ATTCATA']

Answer 2

我的代码有点草率，但是当你想遍历多次出现的字符串时，你可以尝试这样的事情

def split_strings(seq):
    string1 = seq[:seq.find(str1) +2]
    string2 = seq[seq.find(str1) +2:]
    return string1, string2


test = 'ATCGAATTCATA'.upper()
str1 = 'GAATTC'

seq = test
while str1 in seq:
    string1, seq = split_strings(seq)
    print string1
print seq

Answer 3

BioPython 有一个限制性内切酶包可以完全满足您的要求。

from Bio.Restriction import *
from Bio.Alphabet.IUPAC import IUPACAmbiguousDNA

print(EcoRI.site) # You will see that this is the enzyme you listed above

test = 'ATCGAATTCATA'.upper() # This is the sequence you want to search
my_seq = Seq(test, IUPACAmbiguousDNA()) # Create a biopython Seq object with our sequence

cut_sites = EcoRI.search(my_seq)

cut_sites 包含一个列表，其中包含输入序列的确切切割位置（例如 GA 在左侧序列中，ATTC 在右侧序列中。

然后您可以使用以下方法将序列拆分为重叠群：

cut_sites = [0] + cut_sites # We add a leading zero so this works for the first
                            # contig. This might not always be needed.
contigs = [test[i:j] for i,j in zip(cut_sites, cut_sites[1:]+[None])]

您可以see this page了解有关 BioPython 的更多详细信息。

Answer 4

下面是一个使用正则表达式模块的解决方案：

import re
seq = 'ATCGAATTCATA'
restriction_site = re.compile('GAATTC')
subseq_start = 0
for match in restriction_site.finditer(seq):
   print seq[subseq_start:match.start()+2]
   subseq_start = match.start()+2
print seq[subseq_start:]

输出：

ATCGA
ATTCATA

Answer 5

首先让我们发展一下使用查找的想法，这样您就可以找出错误。

seq = 'ATCGAATTCATAATCGAATTCATAATCGAATTCATA'
seq = seq.upper()
pattern = "GAATTC"
split_at = 2
seqlen = len(seq)
i = 0

while i < seqlen:
    site = seq.find(pattern, i)
    if site != -1:
       print(seq[i: site + split_at])
       i = site + split_at
    else:
       print seq[i:]
       break

然而 python 字符串具有强大的替换方法，可以直接替换字符串片段。下面的代码片段使用替换方法在需要时插入分隔符：

seq = 'ATCGAATTCATAATCGAATTCATAATCGAATTCATA'
seq = seq.upper()
pattern = "GA","ATTC"
pattern1 = ''.join(pattern) # 'GAATTC'
pattern2 = ' '.join(pattern) # 'GA ATTC'
splited_seq = seq.replace(pattern1, pattern2) # 'ATCGA ATTCATAATCGA ATTCATAATCGA ATTCATA'
print (splited_seq.split())

我认为它比 RE 更直观并且应该更快（RE 可能性能较低，具体取决于库和用法）

在 python 中以特定模式剪切字符串

Cut string within a specific pattern in python

python

string

bioinformatics