Question

我使用Python 2.7和正则表达式模块。我使用这个表达式在较长的DNA序列中找到一个短序列：

output = regex.findall(r'(?:'+probe+'){s<'+str(int(mismatches)+1)+'}', sequence, regex.BESTMATCH)

参数是：

探测：我在基因组中寻找的短链
基因组：长串
不匹配：我允许在基因组的探针/片段之间存在多少差异。

有没有办法获得与基因组中的正则表达式匹配的所有序列的位置？此脚本是否找到重叠匹配？它工作得很好，但后来我决定尝试，说：

probe = "TTGACAT" 
genome = "TTGACATTGACATATAAT" 
mismatches = 0

我得到了：

[ 'TTGACAT']

参数相同但不匹配= 10

我得到了：

[ 'TTGACAT'， 'GACATAT']

所以我不知道脚本是否只找到'TTGACAT'一次，因为它与第二次出现重叠，或者它实际上发现'TTGACAT'两次并且只显示一次结果......

由于

Answer 1

这是因为它与第二次出现重叠。

如果您想要所有重叠的结果，则必须使用带有重叠标记的相同模式：

output = regex.findall(r'(?:'+probe+'){s<'+str(int(mismatches)+1)+'}', sequence, regex.BESTMATCH, overlapped=True)

如果您想知道序列位置：

for m in regex.finditer(r'(?:'+probe+'){s<'+str(mismatches+1)+'}', sequence, regex.BESTMATCH, overlapped=True):
    print '%d: %s' % (m.start(), m.group())

作为旁边的评论：结果重叠的限制

如果我使用这三个参数：

probe = "ACTG.*ACTG"
sequence = "ACTGTTGACATTGAACTGCATATAATACTG"
mismatches = 0

我只会找到两个结果：['ACTGTTGACATTGAACTGCATATAATACTG', 'ACTGCATATAATACTG']而不是三个。{因为两个结果不能从字符串中的相同位置开始。

Python正则表达式：重叠序列位置

1 个答案: