使用python正则表达式在字符串中搜索长度为6或更多的特定重复（mnr）

Question

我有一个制表符分隔的csv文件包含3个逗号分隔的字段：数字，序列和状态。每一行代表一个不同的序列。你知道吗

输入文件的一个例子序列.txt地址：

1 tgctccatatcagtgcagatcgcgcgatacattcctcagtaggaaaaaagttcagagatgataatcgtccgtccgggatttcagatgaaagaggctggaagtcaaggctttagcgggtaggaggttaatgatttt no 
2 tatactatttagttctgcagtgagccttcatacaaagggatgtggagttgtcatatggggggctctgtatccggagttcggttttgcttgagactcaaatcggggttttcgtacat no 
3 ccggctagtgagaggcttaagacatccagatatctcgaatagtaatagcagtcgaaaccgaaattaaaccccaatcactaatggcattcacataatgaatagtgcttactcgacctaagggcgaatt no 
4 ttaattgatttttgtgcaaaaattgatattagagtattacccccgtattgctatgcgcctttctaattgactgattacgtgagacgcgcgggtttggagttcactgggcagacgcgagctacatttgccaggtacgact yes

我想写一个程序来扫描每个序列，并检查6个或更多的单体核苷酸重复（mnr）（大写或小写并不重要，我正在寻找两者）。如果我找到一个符合该条件的序列，那么我应该将整行打印到一个新的输出文件中（包含所有3个字段）。你知道吗

定义：单体核苷酸是：A、T、C、G的重复序列（不区分大小写）

mnr在一行中的重复将是这样的：aaaaaagtc或gtaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaacccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccc。。。你知道吗

我尝试了正则表达式，但不起作用：

import csv
import re
with open('sequences.txt','r') as f:
    reader = csv.reader(f,delimiter=",")
    for line in reader:
        seq=re.findall(r'[Aa]{6, }',reader)
        if line.__contains__(seq):
            print(line)

with open('seqoutput.txt','w') as f:
    for line in list1:
        f.write(line)

预期产量：

1 tgctccatatcagtgcagatcgcgcgatacattcctcagtaggaaaaaagttcagagatgataatcgtccgtccgggatttcagatgaaagaggctggaagtcaaggctttagcgggtaggaggttaatgatttt no 
2 tatactatttagttctgcagtgagccttcatacaaagggatgtggagttgtcatatggggggctctgtatccggagttcggttttgcttgagactcaaatcggggttttcgtacat no 

电流输出：

Traceback (most recent call last):


File "sequence.py", line 6, in <module>
    seq=re.findall(r'[Aa]{6, }',reader)
  File "/System/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/re.py", line 181, in findall
    return _compile(pattern, flags).findall(string)
TypeError: expected string or buffer

Answer 1

您的csv.reader每次迭代都会产生一个列表，但是每行需要一个字符串。尝试使用简单文件打开或

reader = csv.reader(f,delimiter=" ") # tab split
for row in reader:
    sequence = row[1]
    seq=re.findall(r'[Aa]{6, }', sequence) # not reader

您的正则表达式可以扩展为其他字母：

re.findall(r'[Aa|Gg|Cc|Tt]{6,}', sequence)

Answer 2

要找到至少有6个重复字符的序列，可以使用捕获组和反向引用。你知道吗

[atcg]*([atcg])\1{5}[atcg]*

将匹配：

• [atcg]*匹配字符类中列出的任何字符0+次
• ([atcg])\1{5}在组1中捕获与列出的任何一个匹配的内容，并重复对组1的反向引用5次
• [atcg]*匹配字符类中列出的任何字符0+次

Regex demo

您可以使用csv读取器并选择逗号作为分隔符（当您声明这是分隔符时，请注意示例数据中没有逗号）

如果是制表符，可以使用'\t'作为分隔符

如果sequence部分匹配，则使用相同的分隔符将行写入新文件。你知道吗

您的代码可能如下所示：

import re
import csv

seqout = open('seqoutput.txt', 'a')
with open('sequences.txt','r') as f:
    reader = csv.reader(f, delimiter=',')
    for row in reader:
        match = re.match(r'[atcg]*([atcg])\1{5}[atcg]*', row[1])
        if match:
            seqout.write(','.join(row) + "\n")
seqout.close()