python - 计算模式在字符串中连续出现的最大数量

Question

我真的不知道如何修复，以便我的代码计算模式在字符串中的一行中出现的最大次数。我尝试过谷歌等，但所有答案并不真正符合我正在寻找的内容。也许我只是在谷歌上搜索错误的东西。无论如何，这是我的问题:

我有一个很长的文本文件，其中包含随机 DNA 序列，我已将其转换为字符串，这样我应该找到某些不同的 DNA 序列并计算每个序列连续出现的最高次数。为了更好地解释问题，我粘贴了我当前尝试使用的代码。

# Opening sequence.txt and making it to a string
seqfile = open(sequence, "r")
seqfile = seqfile.read().replace("\n", "")

# Regex for each STR
pattern1 = r"AGATC"
pattern2 = r"TTTTTTCT"
pattern3 = r"AATG"
pattern4 = r"TCTAG"
pattern5 = r"GATA"
pattern6 = r"TATC"
pattern7 = r"GAAA"
pattern8 = r"TCTG"

# 3 lists to store value for the loop. Whereas outercount is the final value of each amount of STR corresponding data list

outercount = [0, 0, 0, 0, 0, 0, 0, 0]
innercount = [0, 0, 0, 0, 0, 0, 0, 0]
secondcount = [0, 0, 0, 0, 0, 0, 0, 0]

# Looping through the sequence and checking if pattern matches, if it does update secondcounter by 1 and continue...
for i in seqfile:
    if re.match(pattern1, seqfile):
        secondcount[0] += 1
    elif re.match(pattern2, seqfile):
        secondcount[1] += 1
    elif re.match(pattern3, seqfile):
        secondcount[2] += 1
    elif re.match(pattern4, seqfile):
        secondcount[3] += 1
    elif re.match(pattern5, seqfile):
        secondcount[4] += 1
    elif re.match(pattern6, seqfile):
        secondcount[5] += 1
    elif re.match(pattern7, seqfile):
        secondcount[6] += 1
    elif re.match(pattern8, seqfile):
        secondcount[7] += 1

# Looping through outercount and checking if certain value at innercount is less than secondcount update values.
for i in outercount:
        if secondcount[i] > innercount[i]:
        #stop counting
        innercount[i] = secondcount[i]
    # Reset secondcounts value so that it doesn't continue counting if it is not consecutively
    secondcount[i] = 0
    # Checking if innercount is greater than outercount, if it is set outercount[i] to equal innercount[i] value
    if innercount[i] > outercount[i]:
        outercount[i] = innercount[i]

以下是序列文本文件的示例:

TGGTTTAGGGCCTATAATTGCAGGACCACTGGCCCTTGTCGAGGTGTACAGGTAGGGAGCTAAGTTCGAAACGCCCCTTGGTCGGGATTACCGCCAGATCAGATC...

请注意，文字比这多得多，但这仅供引用。因此，在本文中，我应该找到最多 8 个不同的 DNA 序列以及它们连续出现的数量。例如，查找模式 AGATC，然后计算它在一行中出现的最高次数。如果它首先在文本中的某处出现 3 次，然后又出现 6 次，那么我的 AGATC 计数器应该显示为 6，因为它是连续的最高数量。

所以，解释一下我的代码:我有 3 个不同数组的想法，我认为这不是最具可扩展性的解决方案，因为它可以是文本中的 3 或 8 个不同模式。但我认为从最大的金额开始，然后算出其余的可能会更容易。所以我尝试做的是为每个不同的模式创建一个正则表达式，然后检查是否可以在文本中找到每个模式，如果可以，我会将第二个计数列表更新到每个相应的索引。

然后与另一个循环比较 secondarycount[i] 处的金额是否大于 innercount[i] 以及是否将值更新为 innercount，然后重置 secondarycount[i]，因为这可能是第二次计数的结束它连续出现的次数，然后如果它稍后再次出现在字符串中，那么它将从 0 开始计数等等...我想代码并不难理解，但是它不起作用所以...XD

有人对我如何实现这个有一些想法吗？

Answer 1

假设一个模式可以连续出现多次，我将按如下步骤计算一个模式在所有序列中的最大连续重复次数。

import re

with open(sequence_file, 'rt') as f:
    rows = f.readlines()

patterns = { 
    re.compile("AGATC"): 0,
    re.compile("TCTAG"): 0,
    ... 
}

for r in rows:
    for p in patterns:
        prev_end = 0
        freq = 0
        for m in p.finditer(r):
            span = m.span()
            if span[0] != prev_end:
                patterns[p] = max(freq, patterns[p])
                freq = 0

            prev_end = span[1]
            freq += 1

        if freq:
            patterns[p] = max(freq, patterns[p])

注意:我还没有测试过这段代码。因此，请在使用之前使用已知的输入对其进行测试。