查找每个正则表达式至少重复一次的正则表达式

Question

从任何*.fasta DNA序列（只有'ACTG'字符）中，我必须找到每个字母至少有一个重复的所有序列。你知道吗

例如“AAGTCCTAG”序列，我应该能够找到：“AAGTC”、“AGTC”、“GTCCTA”、“TCCTAG”、“CCTAG”和“CTAG”（每个字母的迭代）。你知道吗

我不知道如何在pyhton 2.7中做到这一点。我尝试使用正则表达式，但它并不是搜索所有的变体。你知道吗

我怎样才能做到？你知道吗

Answer 1

由于您要查找的子字符串可能有任意长度，所以后进先出队列似乎可以工作。一次追加每个字母，检查每个字母中是否至少有一个字母。如果找到了，把它还给我。然后去掉前面的字母，继续检查直到不再有效。你知道吗

def find_agtc_seq(seq_in):
    chars = 'AGTC'
    cur_str = []
    for ch in seq_in:
        cur_str.append(ch)
        while all(map(cur_str.count,chars)):
            yield("".join(cur_str))
            cur_str.pop(0)

seq = 'AAGTCCTAG'
for substr in find_agtc_seq(seq):
    print(substr)

这似乎导致了您要查找的子字符串：

AAGTC
AGTC
GTCCTA
TCCTAG
CCTAG
CTAG

Answer 2

这是另一种方法。也许没有克里斯·安斯那么快那么好。但对于初学者来说，阅读和理解可能要简单一些。你知道吗

DNA='AAGTCCTAG'
toSave=[]
for i in range(len(DNA)):
    letters=['A','G','T','C']
    j=i
    seq=[]
    while len(letters)>0 and j<(len(DNA)):
        seq.append(DNA[j])
        try:
            letters.remove(DNA[j])
        except:
            pass
        j+=1
    if len(letters)==0:
        toSave.append(seq)

print(toSave)

Answer 3

您可以找到长度为4+的所有子字符串，然后从中向下选择，只找到包含每个字母中一个的最短可能组合：

s = 'AAGTCCTAG'

def get_shortest(s):
  l, b = len(s), set('ATCG')
  options = [s[i:j+1] for i in range(l) for j in range(i,l) if (j+1)-i > 3]
  return [i for i in options if len(set(i) & b) == 4 and (set(i) != set(i[:-1]))]

print(get_shortest(s))

输出：

['AAGTC', 'AGTC', 'GTCCTA', 'TCCTAG', 'CCTAG', 'CTAG']