在不匹配的参考中查找字符串（DNA 序列）的位置 ("N")

Question

我正在尝试沿着基因组比对找到一个不连续的启动区域的开始和结束位置，因此基本上有 2 个区域。这是一个简化的例子：

genome = "GCTAGCTAGCTAGCTGACGCGATCGATGCTAGTTTCGGTGCGCTtAAAAAAGCTTGCATGAAGGCTAGCTA"
primer = "AGCTGANNNNNTCGATGC"

这将像这样对齐：

我需要找到这个启动区域所在的基因组的开始和结束位置。

我尝试通过拆分 N 的位置来简单地将其作为字符串来执行此操作：

regions = primer.split('N')
start = genome.find(regions[0])
end = genome.find(regions[-1]) + len(regions[-1])

问题在于，在大型基因组比对中，较短的区域通常会重复，所以我最终得到了错误的位置。据我所知，BioPython 中没有任何东西可以做到这一点，而且 pairwise2 没有办法 return 开始和结束位置。

谢谢。

Answer 1

如果没有正则表达式，您可以通过这种方式解决此任务：

genome = "GCTAGCTAGCTAGCTGACGCGATCGATGCTAGTTTCGGTGCGCTtAAAAAAGCTTGCATGAAGGCTAGCTA"
primer = "AGCTGANNNNNTCGATGC"

prefix, suffix = primer[:primer.find("N")], primer[primer.rfind("N") + 1:]

start_pos = end_pos = -1
while True:
    start_pos = genome.find(prefix, start_pos + 1)
    end_pos = start_pos < 0 and start_pos or genome.find(suffix, start_pos + len(prefix)) + len(suffix)
    if start_pos < 0 or end_pos - start_pos == len(primer):
       break

print(start_pos, end_pos)

使用正则表达式：

import re
...

pattern = re.compile(primer.replace("N", "."))
match = pattern.search(genome)
if match:
    start_pos, end_pos = match.span()
    print(start_pos, end_pos)

要按照问题的格式打印它，请使用下一个代码：

print(genome)
print(" " * start_pos + "|" * len(prefix) + "." * (len(primer) - len(suffix) - len(prefix)) + "|" * len(suffix))
print("-" * start_pos + primer + "-" * (len(genome) - end_pos))

Answer 2

import re

genome = "GCTAGCTAGCTAGCTGACGCGATCGATGCTAGTTTCGGTGCGCTtAAAAAAGCTTGCATGAAGGCTAGCTA"
primer = "AGCTGANNNNNTCGATGC"

split = re.split('N+', primer)
middle = len(primer)-len(''.join(split))

r = f'{split[0]}\w{{{middle}}}{split[-1]}'

re.finditer(r,genome)

# Taking index 0 here assuming there will be one match
# If there are multiple matches handle the printing by looping perhaps
pos = [(m.start(0), m.end(0)) for m in re.finditer(r, genome)][0]

print(genome)
print(' '*pos[0] + '|'*len(split[0]) + '.'*middle + '|'*len(split[-1]))
print('-'*pos[0] + primer + '-'*int(len(genome)-int(pos[0]+len(primer))))

输出

GCTAGCTAGCTAGCTGACGCGATCGATGCTAGTTTCGGTGCGCTtAAAAAAGCTTGCATGAAGGCTAGCTA
           ||||||.....|||||||
-----------AGCTGANNNNNTCGATGC------------------------------------------

Answer 3

您也可以简单地使用正则表达式。

import re

genome = "GCTAGCTAGCTAGCTGACGCGATCGATGCTAGTTTCGGTGCGCTtAAAAAAGCTTGCATGAAGGCTAGCTA"
primer = "AGCTGANNNNNTCGATGC"

#create regular expression from primer
reg = '[A-Z]+'.join([i for i in primer.split('N') if len(i)>0])

#Search for index where regular expression matches
idx = re.search(reg, genome).span()

#Output = (11,29) which is start and end of the match

#print both with primer aligned based on start to end index of match
print(genome)
print(''.join((['_']*idx[0])+list(primer)+(['_']*(len(genome)-idx[1]))))

GCTAGCTAGCTAGCTGACGCGATCGATGCTAGTTTCGGTGCGCTtAAAAAAGCTTGCATGAAGGCTAGCTA
___________AGCTGANNNNNTCGATGC__________________________________________

在 regex101.com

上测试的正则表达式

在不匹配的参考中查找字符串（DNA 序列）的位置 ("N")

Find position of string (DNA sequence) on reference with mismatches ("N")

python

string

bioinformatics

dna-sequence

biopython