python - 无法让这个正则表达式在 snakemake 中为 wildcard_constraints 工作

Question

我有一个用 Snakemake 编写的工作流程，用于分析生物测序数据。工作流程期望所有数据文件都经过组织，以便每个原始读取文件都以检测类型(RNASeq、DNaseSeq 等)开头，并且在工作流程生成的所有文件中都保持这种文件名约定。

我有一个规则来比对来自除 RNASeq 之外的每个分析的数据的读取，还有一个不同的规则应该只应用于 RNASeq 数据。我在设置这些规则时遇到了麻烦，以便 snakemake 知道对哪些文件使用哪个规则。

在 RNASeq 规则中，我有这个:

wildcard_constraints: library='RNASeq_.+'

这可以确保 RNASeq 文库使用该规则。不过，我仍然收到关于其他检测的模糊规则的错误，所以我认为我需要在其他规则中限制通配符。我试过这个:

wildcard_constraints: library='(!?RNASeq)_.+'

说匹配任何没有 RNASeq 的东西，但是如果我在 python 解释器中尝试它，虽然这有效，但 snakemake 似乎无法将任何东西与这个正则表达式匹配。我尝试过其他方式，例如“[^R][^N][^A]”，但无法正常工作。

由于这些正则表达式在我针对字符串手动尝试时有效，我认为 snakemake 如何应用正则表达式存在错误，或者我不了解 snakemake 如何使用它们。我假设它只是“如果此正则表达式匹配通配符字符串，则使用此规则。如果不匹配，则不要使用此规则。”

Answer 1

我相信以下说明了您要实现的目标:

# Snakefile

rule sam_startswith_dna:
    output: '{pattern}.sam'
    wildcard_constraints: pattern='dna.+'
    shell: 'touch {output}'

rule sam_not_startswith_dna:
    output: '{pattern}.sam'
    wildcard_constraints: pattern='(?!dna).+'  # negative lookahead assertion
    shell: 'touch {output}'

rule bam_endswith_rna:
    output: '{pattern}.bam'
    wildcard_constraints: pattern='.+rna'
    shell: 'touch {output}'

rule bam_not_endswith_rna:
    output: '{pattern}.bam'
    wildcard_constraints: pattern='.+(?<!rna)'  # negative lookbehind assertion
    shell: 'touch {output}'

使用它(snakemake 4.6.0，python 3.6):

$ snakemake -n dna_sample.sam   # runs rule: sam_startswith_sam

$ snakemake -n sample.sam       # runs rule: sam_not_startswith_sam
$ snakemake -n sample_dna.sam   # runs rule: sam_not_startswith_sam

$ snakeamke -n sample_rna.bam   # runs rule: bam_endswith_rna

$ snakemake -n sample.bam       # runs rule: bam_not_endswith_rna
$ snakemake -n rna_sample.bam   # runs rule: bam_not_endswith_rna

---

这是我认为您正在做的事情:

# Snakefile2

rule sam_startswith_dna_:
    output: '{pattern}.sam'
    wildcard_constraints: pattern='dna_.+'
    shell: 'touch {output}'

rule sam_not_startswith_dna_:
    output: '{pattern}.sam'
    wildcard_constraints: pattern='(?!dna)_.+'
    shell: 'touch {output}'

使用它:

$ snakemake -s Snakefile2 dna_data.sam  # runs rule: sam_startswith_dna_

$ snakemake -s Snakefile2 rna_data.sam  # raises MissingRuleException :( :( :(

这是您可以修复它的方法:

# Snakefile3

rule sam_startswith_dna_:
    output: '{pattern}.sam'
    wildcard_constraints: pattern='dna_.+'
    shell: 'touch {output}'

rule sam_not_startswith_dna_:
    output: '{pattern}.sam'
    wildcard_constraints: pattern='(?!dna)[^_]{3}_.+'
    shell: 'touch {output}'

使用它:

$ snakemake -s Snakefile3 -n dna_data.sam  # runs rule: sam_startswith_dna_

$ snakemake -s Snakefile3 -n rna_data.sam  # runs rule: sam_not_startswith_dna_

但是 由于硬编码 {3} 不是很通用:

$ snakemake -s Snakefile3 -n gdna_data.sam  # raises MissingRuleException

---

以下内容基于我对 snakemake.io.regex 的简要阅读还有一些四处闲逛；可能包含错误

一般来说，给定这样的规则:

rule some_rule:
    output: 'some.{pattern}.txt'
    wildcard_constraints: pattern='[a-z_]+'
    shell: 'touch {output}'

和这样的命令行调用:

$ snakemake some.tar_get.txt

规则some_rule将被执行，如果

re.search('some\.(?P<pattern>[a-z_]+)\.txt$', 'some.tar_get.txt')

返回匹配项(假设其他检查通过(例如歧义、循环 dag 等))。

有趣的是，$附加到模式，但 ^没有前置。

这种行为与我最初的想法不同，我最初的想法是这样的(这将允许在您的 ^ 中使用 $ 和 wildcard_constraints):

# python3, pseudo-code-ish

output = 'some.{pattern}.txt'
pattern = '[a-z_]+'

target = 'some.tar_get.txt'

# First test: does the target file name match the output (without the constraint)?
m = re.search('some\.(?P<pattern>.+)\.txt', target)
if not m:
    raise MissingInputException

# Second test: does the wildcard satisfy user-supplied constraint?
m = re.search(pattern, m.group('pattern'))
if not m:
    raise MissingInputException

run_rule()