python - 我的代码 : identifying sequence within another sequence 中的错误

Question

我当前的代码:

import re
from Bio.Seq import Seq


def check_promoter(binding_element,promoter_seq):
promoter_seq = str(promoter_seq)
        residues = list()
        for i in range(0,len(promoter_seq)):
            if binding_element[0] == promoter_seq[i]:
                ind = promoter_seq[i]
                for j in range(0,len(binding_element)):
                    if binding_element[0+j] == promoter_seq[i+j-len(binding_element)]:
                        residues.append(i+j-len(binding_element))
        return residues 


ESR1_promoter = Seq('''aagtcaggctgagagaatctcagaaggttgtggaagggtctatctacttt\
gggagcattttgcagaggaagaaactgaggtcctggcaggttgcattctc\
ctgatggcaaaatgcagctcttcctatatgtataccctgaatctccgccc\
ccttcccctcagatgccccctgtcagttcccccagctgctaaatatagct\
gtctgtggctggctgcgtatgcaaccgcacaccccattctatctgcccta\
tctcggttacagtgtagtcctccccagggtcatcctatgtacacactacg\
tatttctagccaacgaggagggggaatcaaacagaaagagagacaaacag\
agatatatcggagtctggcacggggcacataaggcagcacattagagaaa\
gccggcccctggatccgtctttcgcgtttattttaagcccagtcttccct\
gggccacctttagcagatcctcgtgcgcccccgccccctggccgtgaaac\
tcagcctctatccagcagcgacgacaagtaaagtaaagttcagggaagct\
gctctttgggatcgctccaaatcgagttgtgcctggagtgatgtttaagc\
caatgtcagggcaaggcaacagtccctggccgtcctccagcacctttgta\
atgcatatgagctcgggagaccagtacttaaagttggaggcccgggagcc\
caggagctggcggagggcgttcgtcctgggactgcacttgctcccgtcgg\
gtcgcccggcttcaccggacccgcaggctcccggggcagggccggggcca\
gagctcgcgtgtcggcgggacatgcgctgcgtcgcctctaacctcgggct\
gtgctctttttccaggtggcccgccggtttctgagccttctgccctgcgg\
ggacacggtctgcaccctgcccgcggccacggaccatgaccatgaccctc\
cacaccaaagcatctgggatggccctactgcatcagatccaagggaacga''')
ESR1_complement = ESR1_promoter.complement()

SBE = 'CAGACA'

print check_promoter(SBE,ESR1_promoter)
print check_promoter(SBE,ESR1_complement)

当我使用字符串 'aa' 进行测试并返回找到 'aa' 的索引列表时，此代码有效，但是当我使用其他序列(即 'tcc')进行测试时，它发现没有匹配项，但显然存在序列中的“tcc”。此外，字符串 'CAGACA' 在补码字符串中用 re.findall 方法识别，但这不提供索引。

任何人都可以建议我做错了什么吗？

此外，还有一个次要问题 - 如您所见，我作弊了一点，因为我的代码只会检查第一个问题:

promoter_seq[i+j-len(binding_element)]

元素，因为我得到一个索引错误。有人知道解决这个问题的方法吗？

谢谢

Answer 1

我很惊讶 Bio 中没有预先存在的函数来进行这种类型的搜索——这似乎是一种非常常见的操作。也许您需要花一些时间阅读文档。

无论如何，您可以只使用 re.finditer() 它将返回一个返回匹配对象的迭代器:

import re
from Bio.Seq import Seq

def check_promoter(binding_element, promoter_seq):
    return [m.start() for m in
               re.finditer(str(binding_element).lower(),
                           str(promoter_seq).lower())]

ESR1_promoter = Seq('aagtcaggctgagagaatctcagaaggttgtggaagggtctatctactttgggagcattttgcagaggaagaaactgaggtcctggcaggttgcattctcctgatggcaaaatgcagctcttcctatatgtataccctgaatctccgcccccttcccctcagatgccccctgtcagttcccccagctgctaaatatagctgtctgtggctggctgcgtatgcaaccgcacaccccattctatctgccctatctcggttacagtgtagtcctccccagggtcatcctatgtacacactacgtatttctagccaacgaggagggggaatcaaacagaaagagagacaaacagagatatatcggagtctggcacggggcacataaggcagcacattagagaaagccggcccctggatccgtctttcgcgtttattttaagcccagtcttccctgggccacctttagcagatcctcgtgcgcccccgccccctggccgtgaaactcagcctctatccagcagcgacgacaagtaaagtaaagttcagggaagctgctctttgggatcgctccaaatcgagttgtgcctggagtgatgtttaagccaatgtcagggcaaggcaacagtccctggccgtcctccagcacctttgtaatgcatatgagctcgggagaccagtacttaaagttggaggcccgggagcccaggagctggcggagggcgttcgtcctgggactgcacttgctcccgtcgggtcgcccggcttcaccggacccgcaggctcccggggcagggccggggccagagctcgcgtgtcggcgggacatgcgctgcgtcgcctctaacctcgggctgtgctctttttccaggtggcccgccggtttctgagccttctgccctgcggggacacggtctgcaccctgcccgcggccacggaccatgaccatgaccctccacaccaaagcatctgggatggccctactgcatcagatccaagggaacga')
ESR1_complement = ESR1_promoter.complement()

SBE = 'CAGACA'

>>> check_promoter(SBE, ESR1_promoter)
[]
>>> check_promoter(SBE, ESR1_complement)
[200]
>>> check_promoter('tcc', ESR1_promoter)
[80, 98, 121, 143, 153, 177, 267, 270, 282, 413, 445, 467, 510, 565, 622, 632, 635, 723, 741, 778, 860, 948, 987]
>>> check_promoter('TCC', ESR1_promoter)
[80, 98, 121, 143, 153, 177, 267, 270, 282, 413, 445, 467, 510, 565, 622, 632, 635, 723, 741, 778, 860, 948, 987]

>>> check_promoter(Seq('CAGACA'), ESR1_complement)

请注意，binding_element 可以是 Seq 或字符串，并且区分大小写，因此将其转换为小写以进行搜索，如 promoter_seq 。