python - 从具有定义起点和终点的字符串中提取子字符串

Question

我有一个或多或少看起来像这样的三个序列的列表(res):

res = [
     'NVAKMFPQRKFT<STOP>TVQTLMRNGTLLERG<STOP>CCEVSP',

     'QKRMDCNASV<STOP>TVTVQTLMQTL<STOP>TNTPKGG<STOP>',

     'MEKGYADAE<STOP>RKTF<STOP>MTVRAGCCGI<STOP>MK'
]

我想将这些序列中的每一个拆分为以“M”开头并以(但不包括)< STOP > 结尾的子字符串。这些子串在这里被定义为外显子。我不希望我的外显子重叠(实际序列比这里的样本长得多)。我希望在 M 和 < STOP > 之间至少有两个字符。

   exon = list()
   for seq in res:
        string = str(res)
        result = re.search("M(.*?)<STOP>", string)
        if result:
            found = list()
            found = result.group()
            exon.append(found)
   print exon

我想得到一个这样的嵌套列表:

exon = [

     "['MFPQRKFT', 'MRNGTLLERG']",
     "['MDCNASV', 'MQTL']",
     "['MEKGYADAE', 'MTVRAGCCGI']"
]

但是现在我只得到一个包含几个外显子的列表，并且每个列表的末尾都有 。

Answer 1

您可以使用带有捕获组的模式并 re.findall 将返回捕获组的值

(M.{2,}?)<STOP>

(捕获 第 1 组 (这将由 re.findall 返回)

M.{2,}?匹配 M和 2 次或更多次任何非贪婪的字符

)关闭群 1

<STOP>字面匹配

见 regex demo和一个 Python demo
如果您只想匹配大写字符( . 匹配除换行符以外的任何字符)，您可以使用

(M[A-Z]{2,})<STOP>

Regex demo
例如

import re

exon = list()
res = [
     'NVAKMFPQRKFT<STOP>TVQTLMRNGTLLERG<STOP>CCEVSP',
     'QKRMDCNASV<STOP>TVTVQTLMQTL<STOP>TNTPKGG<STOP>',
     'MEKGYADAE<STOP>RKTF<STOP>MTVRAGCCGI<STOP>MK'
]

for seq in res:
    exon.append(re.findall(r"(M.{2,}?)<STOP>", seq))
    
print(exon)

输出

[
  ['MFPQRKFT', 'MRNGTLLERG'],
  ['MDCNASV', 'MQTL'],
  ['MEKGYADAE', 'MTVRAGCCGI']
]