python - 在multifasta文件中查找所有图案，包括重叠的图案

我有一个multifasta文件，它看起来像这样：

>NP_001002156.1
MKTAVDRRKLDLLYSRYKDPQDENKIGVDGIQQFCDDLMLDPASVSVLIVAWKFRAATQCEFSRQEFLDG
MTDLGCDSPEKLKSLLPRLEQELKDSGKFRDFYRFTFSFAKSPGQKCLDLEMAVAYWNLILSGRFKFLGL
WNTFLLEHHKKSIPKDTWNLLLDFGNMIADDMSNYAEEGAWPVLIDDFVEFARPIVTAENLQTL
>NP_957070.2
MAKDAGLKETNGEIKLFINQSPGKAAGVLQLLTVHPASITTVKQILPKTLTVTGAHVLPHMVVSTPQRPT
IPVLLTSPHTPTAQTQQESSPWSSGHCRRADKSGKGLRHFSMKVCEKVQKKVVTSYNEVADELVQEFSSA
DHSSISPNDAVSSCHVYDQKNIRRRVYDALNVLMAMNIISKDKKEIKWIGFPTNSAQECEDLKAERQRRQ
ERIKQKQSQLQELIVQQIAFKNLVQRNREVEQQSKRSPSANTIIQLPFIIINTSKKTIIDCSISNDKFEY
LFNFDSMFEIHDDVEVLKRLGLALGLESGRCSAEQMKIATSLVSKALQPYVTEMAQGSVNQPMDFSHVAA
ERRASSSTSSRVETPTSLMEEDEEDEEEDYEEEDD
>NP_123456.1
MALLLLLGGGGGGGGGGGGGGGGGGGGGGGGGGGGGG
...

尽管在multifasta文件（https://www.biostars.org/p/14305/）中有一个很棒的python脚本可以处理主题搜索，但是如果使用模式“ [KHR] {3}”，
它只会返回主题列表和许多空结果：

>NP_001002156.1
:['RRK']
>NP_001002156.1
:[]
>NP_001002156.1
:['HHK']
>NP_957070.2
:[]
>NP_957070.2
:['RRR']
...

并以相同的顺序泄漏了一些图案（HKK）。

在这里，我找到了另一个python脚本：

#coding:utf-8
import re
pattern = "[KHR]{3}"
with open('seq.fasta') as fh:
    fh.readline()
    seq = ""
    for line in fh:
         seq += line.strip()
rgx = re.compile(pattern)
result = rgx.search(seq)
patternfound = result.group()
span = result.span()
leftpos = span[0]-10
if leftpos < 0:
   leftpos = 0
print(seq[leftpos:span[0]].lower() + patternfound + seq[span[1]:span[1]+10].lower())

它返回上下文中找到的第一个匹配基序（匹配基序后的10个氨基酸，
并在匹配的基序之前向后10个）（仅适用于一个fasta（第一个）序列，适用于第一个fasta）
使用脚本序列NP_001002156.1，返回结果：

mktavdRRKldllysrykd

但没有文件标题“> NP_001002156.1”，并且上下文中的其他2个主题都被省略：

glwntfllehHHKksipkdtwnl
lwntfllehhHKKsipkdtwnll

在这里，我希望所需的脚本在每个Fasta的上下文中返回匹配的主题及其位置
multifasta文件中的序列，它将显示以下结果：

>NP_001002156.1_matchnumber_1_(7~9)
mktavdrRRKldllysrykd
>NP_001002156.1_matchnumber_2_(148~150)
glwntfllehHHKksipkdtwnl
>NP_001002156.1_matchnumber_3_(149~151)
lwntfllehhHKKsipkdtwnll
>NP_957070.2_matchnumber_1_(163~165)
chvydqknirRRRvydalnvlma
>NP_123456.1
no match found

注意：
匹配模式的位置不是上下文的位置。

有人可以帮助我吗？提前致谢。

最佳答案

这里的“主题”是[HKR]字符的任意三长组合；图案可能重叠。

通过在正则表达式中使用“超前”来解决重叠问题。请参阅下面的详细信息。引用或显示的资源似乎都无法解决这个问题，而且我看不到它们如何捕捉重叠的图案。

use warnings;
use strict;
use feature 'say';

my $file = shift || die "Usage: $0 fasta-file\n";
open my $fh, '<', $file or die "Can't open $file: $!";

my ($seq, $seq_name);
while (<$fh>) {
    chomp;
    if (/^>(.*)/) {
        # Process the previous assembled sequence
        if ($seq) {
            proc_seq($seq_name, $seq);
            $seq = '';
        }
        $seq_name = $1;
        next;
    }
    $seq .= $_;
}
# Process the last one
proc_seq($seq_name, $seq);

sub proc_seq {
    my ($seq_name, $seq, $multiline) = @_;

    # Build output in the loop, as motifs are found. By default, print all
    # output for one seq_name in one line. To print each motif on its own
    # line instead, invoke this sub with a true third argument (1 will do).
    my $output = ">$seq_name";

    my $cnt = 0;
    while ($seq =~ /([HKR])(?=([HKR]{2}))/g) {
        ++$cnt;shot/
        my $motif = $1 . $2;
        my $pos = pos($seq);
        my $pre_context = ($pos >= 11)
            ? substr($seq, $pos-11, 10)
            : substr($seq, 0,       $pos-1);
        my $post_context = substr $seq, $pos+2, 10;

        $output .= " n$cnt($pos~" . ($pos+2) . ") ";
        $output .= "\n"  if $multiline;
        $output .= lc($pre_context) . $motif . lc($post_context);
    }
    say ($cnt > 0  ? $output  : $output . ' no match found');
}

关于正则表达式的注意事项：第二个和第三个字符需要一个lookahead以便能够捕获重叠的图案。

一个例子。第一个序列中有HHKK，其基元HHK和HKK重叠。如果正则表达式使用HHK与/[HKR]{3}/匹配，则此后正则表达式引擎在字符串中的位置在第一个K之后，因为它“消耗”了HHK。因此，下一个看到的只是一个K，因此下一个没有匹配的[HKR]{3}，因此错过了下一个主题。

因此，我只匹配一个字母，并对接下来的两个字母进行“超前”。然后在匹配H之后（并“看到”确实存在HK），仅消耗一个字母，引擎仅越过第一个H，然后将其定位在第二个H之前，用于下一个比赛。现在它将能够以相同的方式接下来匹配HKK（因此它甚至可以保持匹配多个重叠的图案）。

这将标识所需输出中指示的所有内容（带有错字）；请注意注释中要求的变化，以便在一行上打印一个序列的所有图案。所以它打印

>NP_001002156.1 n1(7~9) mktavdRRKldllysrykd n2(148~150) lglwntflleHHKksipkdtwnl n3(149~151) glwntfllehHKKsipkdtwnll
>NP_957070.2 n1(163~165) schvydqkniRRRvydalnvlma
>NP_bogus_with_no_motifs  no match found

with all motifs for the same sequence name on one line, as wanted. I've added a bogus line to input, with no motifs, to test the no match found addition; this drew the last line in the output above.

There is still an option to print each motif on a separate line, as was originally wanted: invoke the proc_seq function with an additional, third, argument which is true, like

proc_seq($seq_name, $seq, 1)

然后它会打印

> NP_001002156.1 n1（7〜9）
mktavdRRKldllysrykd n2（148〜150）
lglwntflleHHKksipkdtwnl n3（149〜151）
HKKsipkdtwnll
> NP_957070.2 n1（163〜165）
schvydqkniRRRvydalnvlma
> NP_bogus_with_no_motifs未找到匹配项

关于python - 在multifasta文件中查找所有图案，包括重叠的图案，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/54140487/