Question

我有一个简单的函数，它从字符串中产生至少gapSize连续N的所有延伸：

def get_gap_coordinates(sequence, gapSize=25):
    gapPattern = "N{"+str(gapSize)+",}"
    p = re.compile(gapPattern)
    m = p.finditer(sequence)
    for gap in m:
        start,stop = gap.span()
        yield(start,stop)

现在我希望有一个完全相反的功能：匹配至少为gapSize N＆＃39; s的非连续延伸的所有字符。这些延伸可能出现在字符串中的任何位置（开头，中间和结尾），任何给定的数字。

我已经研究过外观并尝试了

(?!N{25,}).*

但这并不能满足我的需要。非常感谢任何帮助！

编辑：例如：序列NNNNNNACTGACGTNNNACTGACNNNNN应匹配ACTGACGTNNNACTGAC，用于gapSize = 5和ACTGACGT＆amp; ACTGAC for gapSize = 3.

Answer 1

所以这是一个纯正则表达式解决方案，它似乎是你想要的，但我想知道是否有更好的方法来做到这一点。当我想出它们时，我会添加替代品。我使用了几个在线正则表达式工具以及在shell中玩游戏。

One of the tools有一个很好的正则表达式和facilty图形生成SO答案代码：正则表达式（差距为10）是：

^.*?(?=N{10})|(?<=N{10})[^N].*?(?=N{10})|(?<=N{10})[^N].*?$

Regular expression visualization

用法：

s = 'NAANANNNNNNNNNNBBBBNNNCCNNNNNNNNNNDDDDN'
def foo(s, gapSize = 25):
    '''yields non-gap items (re.match objects) in s or
       if gaps are not present raises StopIteration immediately
    '''
    # beginning of string and followed by a 'gap' OR
    # preceded a 'gap' and followed by a 'gap' OR
    # preceded a 'gap' and followed by end of string
    pattern = r'^.*?(?=N{{{}}})|(?<=N{{{}}})[^N].*?(?=N{{{}}})|(?<=N{{{}}})[^N].*?$'
    pattern = pattern.format(gapSize, gapSize, gapSize, gapSize)
    for match in re.finditer(pattern, s):
        #yield match.span()
        yield match

for match in foo(s, 10):
    print match.span(), match.group()

'''
>>> 
(0, 5) NAANA
(15, 24) BBBBNNNCC
(34, 39) DDDDN
>>>
'''

因此，如果你仔细想一下，你会发现 gap 的开头是 non-gap 的结尾，反之亦然。因此，使用简单的正则表达式：迭代间隙，向循环添加逻辑以跟踪非间隙跨度和yield跨度。（我的占位符变量名可能会得到改进）

s = 'NAANANNNNNNNNNNBBBBNNNCCNNNNNNNNNNDDDDN'
def bar(s, n):
    '''Yields the span of non-gap items in s or
       immediately raises StopIteration if gaps are not present.
    '''
    gap = r'N{{{},}}'.format(n)
    # initialize the placeholders
    previous_start = 0
    end = len(s)
    for match in re.finditer(gap, s):
        start, end = match.span()
        if start == 0:
            previous_start = end
            continue
        end = start
        yield previous_start, end
        previous_start = match.end()
    if end != len(s):
        yield previous_start, len(s)

用法

for start, end in bar(s, 4):
    print (start, end), s[start:end]

'''
>>>
(0, 5) NAANA
(15, 24) BBBBNNNCC
(34, 39) DDDDN
>>>
'''

Answer 2

我想到正则表达式直接匹配想要的块，但没有什么好的想法。我认为最好继续找到间隙并简单地使用间隙坐标来获得良好的块坐标。我的意思是，它们基本相同，对吧？间隙停止是块开始，间隙开始是块停止。

def get_block_coordinates(sequence, gapSize=25):
    gapPattern = "N{"+str(gapSize)+",}"
    p = re.compile(gapPattern)
    m = p.finditer(sequence)
    prevStop = 0
    for gap in m:
        start,stop = gap.span()
        if start:
            yield(prevStop,start)
        prevStop = stop
    if prevStop < len(sequence):
        yield(prevStop,len(sequence))

Answer 3

否定前瞻似乎工作正常。例如。对于gap-size 3，regexp将是：

N{3,}?([^N](?:(?!N{3,}?).)*)

试试here。

import re

def get_gap_coordinates(sequence, gapSize=25):
    gapPattern = "N{%s,}?([^N](?:(?!N{%s,}?).)*)" % (gapSize, gapSize)
    p = re.compile(gapPattern)
    m = p.finditer(sequence)
    for gap in m:
        start,stop = gap.start(1), gap.end(1)
        yield(start,stop)


for x in get_gap_coordinates('NNNNNNACTGACGTNNNACTGACNNNNN', 3):
    print x

警告：如果字符串不以“N”序列开头，则在字符串的开头可能不匹配。但是你总是可以用左边的间隙大小'N'填充字符串。

Answer 4

我认为你可以这样做：

gapPattern = "(N{"+str(gapSize)+",})"
p = re.compile(gapPattern)
i = 0
for s in re.split(p, sequence):
    if not re.match(p, s):
        yield i
    i += len(s)

根据re.split函数，它会生成一系列不符合gap_size "N"个字符的子串的偏移量。

匹配不是某个字符

4 个答案: