从一串氨基酸中提取所有可能的肽

Question

我有以下一连串的氨基酸：

s = 'SHVANSGYMGMTPRLGLESLLE*A*MIRVAS'

其中*表示终止密码子。你知道吗

我想提取满足以下条件的所有肽（氨基酸链，即子链）：

1. 链从氨基酸开始M
2. 链以*结束

如果我在Python中对特定字符串使用正则表达式M.*?\*，它将返回一个肽：

MGMTPRLGLESLLE*

这只是部分正确，因为它忽略了另一种可能的解决方案：

MTPRLGLESLLE*

换句话说，我需要一个返回两个肽的正则表达式：

MGMTPRLGLESLLE*

以及

MTPRLGLESLLE*

有什么想法吗？你知道吗

Answer 1

(?=(M.*?\*))

用这个。它使用正向前瞻来检查字符串。因为它是0宽度断言，所以它可以匹配所有字符串。你知道吗

你可以像这样使用它：

print re.findall(r"(?=(M.*?\*))",x)

请参见演示http://regex101.com/r/jT3pG3/5。你知道吗

Answer 2

包're'似乎不支持重叠匹配（这就是为什么findall或finditer找不到您想要的两个匹配）。你知道吗

然而，有一个名为regex的新Python包似乎解决了这个问题：https://pypi.python.org/pypi/regex。您可以使用以下两个命令之一进行安装：

pip install regex 
easy_install regex 

导入包regex而不是re，以下脚本执行您所需的操作：

#!/usr/bin/python
import regex as re
s = "SHVANSGYMGMTPRLGLESLLE*A*MIRVAS"
matches = re.findall(r'M.*?\*', s, overlapped=True)
for match in matches: print match