不匹配的模糊子串

Question

我正在尝试使用正则表达式在 DNA 字符串中查找子字符串。这个子串有不明确的基础，比如 ATCGR，其中 R 可能是 A 或 G。此外，脚本必须允许 x 次不匹配。所以这是我的代码

import regex

s = 'ACTGCTGAGTCGT'    
regex.findall(r"T[AG]T"+'{e<=1}', s, overlapped=True)

因此，如果有一个不匹配，我会期望有 3 个子字符串 AC**TGC**TGAGTCGT 和 ACTGC**TGA**GTCGT 以及 ACTGCTGAGT**CGT**。预期结果应该是这样的：

['TGC', 'TGA', 'AGT', 'CGT']

但是输出是

['TGC', 'TGA']

即使使用 re.findall，代码也无法识别最后一个子字符串。另一方面，如果代码设置为允许 2 个与 {e<=2} 不匹配，则输出为

['TGC', 'TGA']

是否有另一种获取所有子字符串的方法？

Answer 1

如果我理解得很好，您正在寻找与模式 T[GA]T 匹配的所有三个字母子串，并且您最多允许一个 error，但我认为错误你正在寻找的只是一个字符替换，因为你从未谈论过 2 个字母的结果。

要获得预期的结果，您必须将 {e<=1} 更改为 {s<=1} （或 {s<2}） 并将其应用于整个模式（不仅是最后一个字母）将其包围在一个组中（捕获或不捕获，如您所愿），否则谓词 {s<=1} 仅链接到最后一个字母：

regex.findall(r'(T[AG]T){s<=1}', s, overlapped=True)

Ambiguous substring with mismatches