正则表达式匹配无法使用Pyteomics解析器处理简单字符串

Question

我正在对人类蛋白质组进行电子消化，这意味着我试图在某个位置切割每个蛋白质的氨基酸序列。我正在我创建的一个更大的函数中使用Pyteomics解析器函数Pyteomics Parser

我得到这个错误： Pyteomics错误：Pyteomics错误，消息：“不是有效的modX序列：{'sequence'：'AKDEVQKN'}”

但是，我不确定AKDEVQKN与modX_Requence编译器的不匹配程度：

_modX_sequence = re.compile(r'^([^-]+-)?((?:[^A-Z-]*[A-Z])+)(-[^-]+)?$')

根据我对这个正则表达式的理解，它应该找到任何不以（-）开头并后跟一系列字母字符的字符串

这是我正在尝试使用的函数

import re
import pyteomics
from pyteomics import fasta, parser
def ButcherShop(df, target, rule,min_length=7,exception=None,max_legnth=100, pH=2.0):
>     raw = df[target]
>     unique_peptides = set()
>     for peptide in raw:
>         new_peptides = parser.cleave(peptide, rule=rule,min_length=min_length,exception=exception)
>         unique_peptides.update(new_peptides)
>     print(f'Done,{len(unique_peptides)} sequences of >= 7 amino acids!')
>     pep_dic = [{'sequence': i} for i in unique_peptides]
>     for peptides in pep_dic:
>         pep_dic['parsed_sequence'] = parser.parse(peptides,show_unmodified_termini=False)
>         pep_dic['xlength'] = len(peptides)
>         pep_dic['charge'] = int(round(electrochem.charge(peptides, pH=pH)))
>         pep_dic['mass']=int(round(Peptide_mass(peptides)))
>     pep_dic = [peptide for peptide in pep_dic if peptide['length'] <= int(max_length)]
>     pep_df = pd.DataFrame.from_dict(pep_dic)
>     return unique_peptides,pep_dic,pep_df

感谢您提供有关如何解决此问题的任何见解

**更新：如果我在不同的集合上运行，我会得到相同的错误，这可能表明是库本身

错误屏幕截图：

Answer 1

这里是Pyteomics维护人员

错误消息实际上告诉您问题的根源：PyteomicsError: Pyteomics error, message: "Not a valid modX sequence: {'sequence': 'AKDEVQKN'}"

这意味着传递的不是字符串'AKDEVQKN'，而是字典{'sequence': 'AKDEVQKN'}。这实际上发生在这里：

pep_dic = [{'sequence': i} for i in unique_peptides]
for peptides in pep_dic:
    pep_dic['parsed_sequence'] = parser.parse(peptides,show_unmodified_termini=False)
    ...

您应该将序列本身传递给parse，而不是dict：

pep_dic['parsed_sequence'] = parser.parse(peptides['sequence'], show_unmodified_termini=False)

Answer 2

不是一个解决方案，而是一些分析

在下面的简单示例代码中，“AKDEVQKN”使用post中的正则表达式进行匹配

import re

line = 'AKDEVQKN'

pat = re.compile(r'^([^-]+-)?((?:[^A-Z-]*[A-Z])+)(-[^-]+)?$')

x = re.match(pat, line)

if x:
    print(x)
    print(x.group())
    print(x.groups())

产出：

<re.Match object; span=(0, 8), match='AKDEVQKN'>
AKDEVQKN
(None, 'AKDEVQKN', None)

这表明问题在代码的其他地方

• “AKDEVQKN”是完整的系列还是更多
• 使用序列“AKDEVQKN”调用re.match时，_modX_序列是否可能已更改？ 要检查，请临时更改
  ~\Anaconda\envs\SciFly\lib\site-packages\pyteomics\parser.py
  在第312行，从：

try:
  n, body, c = re.match(_modX_sequence, sequence).groups()
except AttributeError: 

到

try:
  if sequence == 'AKDEVQKN':
    print("DEBUG: ", sequence, _modX_sequence)
    # or drop into a debugger, pdb or iPython's 
    # import pdb; pdb.set_trace()
    # dir() 
  n, body, c = re.match(_modX_sequence, sequence).groups()
except AttributeError:

Answer 3

在我运行解析器之前，尝试使用它们的有效函数测试所有肽。我在字符串中找不到任何false。我现在正在研究它们的功能或我自己的功能

> for peptide in menu["Peptide"]:
>     x=parser.valid(peptide)
>     if x == False:
>         print(peptide)
>         break
>     else:
>         print(x)