从具有定义起点和终点的字符串中提取子字符串

Question

我有一个大致像这样的三个序列的列表 (res):

res = [
     'NVAKMFPQRKFT<STOP>TVQTLMRNGTLLERG<STOP>CCEVSP',

     'QKRMDCNASV<STOP>TVTVQTLMQTL<STOP>TNTPKGG<STOP>',

     'MEKGYADAE<STOP>RKTF<STOP>MTVRAGCCGI<STOP>MK'
]

我想将这些序列中的每一个拆分为以 'M' 开头并以（但不包括）< STOP > 结尾的子字符串。这些子串在这里被定义为外显子。我不希望我的外显子重叠（实际序列比这里的样本长得多）。我希望 M 和 < STOP > 之间至少有两个字符。

   exon = list()
   for seq in res:
        string = str(res)
        result = re.search("M(.*?)<STOP>", string)
        if result:
            found = list()
            found = result.group()
            exon.append(found)
   print exon

我想得到这样的嵌套列表：

exon = [

     "['MFPQRKFT', 'MRNGTLLERG']",
     "['MDCNASV', 'MQTL']",
     "['MEKGYADAE', 'MTVRAGCCGI']"
]

但现在我只得到一个包含几个外显子的列表，并且每个外显子的末尾都有。

Answer 1

您可以使用带有捕获组的模式和 re.findall 这将 return 捕获组的值

(M.{2,}?)<STOP>

( 捕获 组 1（这将由 re.findall 编辑 return）
- M.{2,}? 匹配 M 和 2 次或更多次任何非贪婪的字符
) 关闭组 1
<STOP>字面匹配

看到一个regex demo and a Python demo

如果你只想匹配大写字符（. 匹配除换行符之外的任何字符）你可以使用

(M[A-Z]{2,})<STOP>

Regex demo

例如

import re

exon = list()
res = [
     'NVAKMFPQRKFT<STOP>TVQTLMRNGTLLERG<STOP>CCEVSP',
     'QKRMDCNASV<STOP>TVTVQTLMQTL<STOP>TNTPKGG<STOP>',
     'MEKGYADAE<STOP>RKTF<STOP>MTVRAGCCGI<STOP>MK'
]

for seq in res:
    exon.append(re.findall(r"(M.{2,}?)<STOP>", seq))
    
print(exon)

输出

[
  ['MFPQRKFT', 'MRNGTLLERG'],
  ['MDCNASV', 'MQTL'],
  ['MEKGYADAE', 'MTVRAGCCGI']
]

从具有定义起点和终点的字符串中提取子字符串

Extract substrings from a string with defined starting and ending points

python

regex

string

split

bioinformatics