在序列中查找某些基的正则表达式

Question

在我的代码中，我要做的是清理FastA文件，只在输出字符串中包含字母a、C、T、G、N和U。我试图通过一个正则表达式来实现这一点，如下所示：

newFastA = (re.findall(r'A,T,G,C,U,N',self.fastAsequence)) #trying to extract all of the listed bases from my fastAsequence.
        print (newFastA)

然而，我并没有得到所有的基地发生秩序。我认为我的正则表达式的格式不正确，所以如果你能告诉我我犯了什么错误，那就太好了。在

Answer 1

print re.sub("[^ACTGNU]","",fastA_string)

你会得到无数个答案

或没有re

^{pr2}$

Answer 2

你需要使用一个字符集。

re.findall(r"[ATGCUN]", self.fastAsequence)

您的代码查找文本"A,T,G,C,U,N"，并输出所有出现的文本。regex中的字符集允许以下类型的搜索：A，T，G，C，U，N”，而不是“下面的：A,T,G,C,U,N”

Answer 3

我会完全避免使用正则表达式。您可以使用str.translate删除不需要的字符。

from string import ascii_letters

removechars = ''.join(set(ascii_letters) - set('ACTGNU'))

newFastA = self.fastAsequence.translate(None, removechars)

演示：

^{pr2}$

如果还想删除空白，可以将string.whitespace放入removechars。

旁注，以上仅适用于Python2，在Python3中还有一个附加步骤：

from string import ascii_letters, punctuation, whitespace

#showing how to remove whitespace and punctuation too in this example
removechars = ''.join(set(ascii_letters + punctuation + whitespace) - set('ACTGNU'))

trans = str.maketrans('', '', removechars)

dna.translate(trans)
Out[11]: 'ACTAGAGAUACCACGGNUGNUGNU'