regex - 解释手册中的一段话

Question

我正在尝试运行一些生物信息学软件 (TE Displayer)，但它根本无法运行。我认为问题可能在于软件如何识别 FASTA header 。从文档中是这样说的。

The sequence identifiers in the header lines take a pattern of "\w(1,10)\d(2,9)" meaning "word characters (1-10) followed by numbers (2-9)", so try to avoid a non-identifier phrase (e.g. "Build04") in the header line. For example the header line ">OrganismX Accession AC000282, build0.4" is fine, but not ">OrganismX Contig WX000282, Build04" . Accordingly, ">Oryza sativa Chromosome11" will also be fine because "Chromosome11" will be recognized as the identifier.

有人能解释一下“\w(1,10)\d(2,9)”的确切用法吗？我将其理解为总长度最多为 12 个字符的任何单词，但必须以两位数字结尾。所以我不明白为什么 Build0.4 好而 Build04 不好。

干杯!

Answer 1

单独的序列标识符应该匹配模式，所以在 ">OrganismX Accession AC000282, build0.4" 中，它的 AC000282 必须与正则表达式匹配，不是 Build0.4。

\w(1,10)\d(2,9)表示匹配一到十个单词字符，即a-z A-Z 0-9 _中的任意一个，后跟两位到九位数字。

因为 Build04 会被那个模式匹配，它不是序列标识符，所以建议避免。build0.4 将不匹配该模式，因为它包含一个 .，所以没问题。