if文での部分一致の応用

ゲノム解析にpython3を使用している初心者です。
以下のスクリプトはjupyter notebokを使用しました。

文字列を検索してヒットしたら開始位置を取ってくる以下のようなスクリプトを作成しました。
input fileはfastaファイルといわれる2行からなるデータです。
ex)

line1

ATCGTTTT

line2

ATCGATCG
子のインプットファイルで回すと探したい文字列開始位置を取ってくれます。
例えばTTTを入れると。
4
5
と出力されます。

ここで、”何でもいいから1文字”という条件を含めて検索したいので以下のスクリプトを改良したいです。
例えばTNTという配列を検索し,NはA,T,C,Gのどれでも1文字が入っていればいいです。
塩基配列なので出現する文字はA,T,C,Gの4つのみです。
しかし、スクリプト中にNを定義（N == T or A or C or G) したり　re.search()を
使ってみてもエラーだったり、うまく検索されなかったりして困っています。
if文でこのような検索をする場合どうしたらよいかどなたかご教授お願いいたします。

以下が作成した改良前のスクリプトです。

with open('input.txt') as file:
    for l in file:
         if '>' in l:
                continue
         x = len(l)
         end = x - 1
         last = len('search text')
         start = 0
         while last <= end:
             if l[start:last] == "search text":
                print(start)
                last += 1
                start += 1
             else:
                last += 1
                start += 1
#4
#5

試したこと↓
Nを定義してみる。

N = A or T or C or G 
with open('input.txt') as file:
    for l in file:
         if '>' in l:
                continue
         x = len(l)
         end = x -1
         last = len("T" + N + "T")
         start = 0
         while last <= end:
             if l[start:last] == "T" + N + "T":
                print(start)
                last += 1
                start += 1
             else:
                last += 1
                start += 1
#エラーも結果も出てきませんでした。

re.searchを使ってみる。

N == A or T or C or G 
with open('fasta.txt') as file:
    for l in file:
         if '>' in l:
                continue
         x = len(l)
         end = x - 1
         last = len("T" + N + "T")
         start = 0
         while last <= end:
             if re.search("T" + N + "T",l[start:last]):
                print(start)
                last += 1
                start += 1
             else:
                last += 1
                start += 1
#エラーも結果も出てきませんでした。

行動規範の内容に同意します

回答2件

ベストアンサー

FASTAフォーマットのN(aNy)は、正規表現では.(任意の1文字にマッチ)ですかね。TNTと指定されたらT.Tに変換して正規表現で検索すればいいかと。

ついつい、findallやfinditerで一気に検索したくなりますが、そうすると**「マッチした部分」の直後の位置から次の検索が行なわれる**ため、TTTTに対してTTTが一度しかマッチしません(先頭のTTTにマッチしたら、次の検索は4文字目のTから行なわれるため)。地道に、「先頭から1文字ずつずらした文字列」に対してひとつひとつマッチを試みる必要があります。

また、FASTAフォーマットは、ひとつのデータが2行に固定されているわけではなく、ヘッダー行の後に複数のシーケンス文字列の行があってもいいので、それに対応するようにしました。ファイルを読みつつ、ヘッダー行の内容をキー、シーケンス文字列を結合した文字列を値とする辞書を作成し、検索は辞書に対して行なうようにしてあります。

Python
1import re
2
3target = "TNT"
4target = target.replace("N", ".")
5
6dic = {}
7seq = None
8key = None
9with open('input.txt', 'r') as file:
10    for line in file:
11        if line.startswith('>'):
12            if key:
13                dic[key] = seq
14            seq = ""
15            key = line[1:].strip()
16            continue
17        seq += line.strip()
18    else:
19        if key:
20            dic[key] = seq
21print(dic)
22
23for key in dic.keys():
24    print(f"{key}: ", end="")
25    value = dic[key]
26    pos = 0
27    while True:
28        m = re.search(target, value[pos:])
29        if m is None:
30            break
31        print(pos + m.start(), end=" ")
32        pos += m.start() + 1
33    print()

result
1{'line1': 'ATCGTTTT', 'line2': 'ATCGATCG'}
2line1: 4 5
3line2:

投稿2020/09/15 08:36

Daregada

総合スコア11990

tkgene

2020/09/15 11:38

回答ありがとうございます。このような場合、文字を置き換えるという事を学びました。大変参考になりました。ありがとうございました。

行動規範の内容に同意します

下記でいかがでしょうか。
reモジュールを使うパターンで書いてみました。

python3
1import re
2with open('input.txt') as file:
3    for l in file:
4        if '>' in l:
5                continue
6        search_txt = r"T[ATGC]T"
7        if re.search(p, l):
8            print(re.search(search_txt, l).start())
9        else:
10            print("Not Found")

投稿2020/09/15 07:22

jeanbiego

総合スコア3966

tkgene

2020/09/15 08:35

回答ありがとうございます。いただいたスクリプトからヒントをいただき、もう少し複雑な文字列を検索してみました。今回探しているのは”TGT（何か4文字）ACA"という全10文字の配列です。しかし、このスクリプトはうまく回りませんでした。 re.searchの挙動はヒットした最初の1つのみ出力なのですか？以下試したスクリプトです。 """ import re #from sys import argv search_text = r"TGT[ATGC][ATGC][ATGC][ATGC]ACA" #seq = sys rgv[1] #motif = sys.argv[2] with open('input.txt') as file: for l in file: if '>' in l: continue x = len(l) end = x - 1 last = len(search_text) start = 0 while last <= end: if re.search(search_text, l[start:last]): print(re.search(search_text, l).start()) last += 1 start += 1 else: last += 1 start += 1 """

tkgene

2020/09/15 08:37

のちにlinux上で回すためファイルを受け取れるようにargvが入ってますが、気にしないでください。汚くて申し訳ありません。