胰蛋白酶消化切割不能使用正则表达式

问题描述

| 我试图用Python编码蛋白质序列的理论胰蛋白酶解理。胰蛋白酶的切割规则是：在R或K之后，但不在P之前（即，胰蛋白酶在每个K或R之后切割（切割）蛋白质序列，除非（K或R）后接P）。 示例：切割（切割）序列“ 0”应产生以下4个序列（肽）：

MVPPPPSR
GGAAKPGQLGR
SLGPLLLLLRPEEPEDGDR
EICSESK 

注意，在第二个肽中的K之后没有切割（因为P在K之后），并且在第三个肽中的R之后没有切割（因为P在R之后）。 我已经用Python编写了这段代码，但是效果不佳。有什么方法可以更有意义地实现此正则表达式？

    # Open the file and read it line by line.

    myprotein = open(raw_input(\'Enter input filename: \'),\'r\')
    if  os.path.exists(\"trypsin_digest.txt\"):
        os.remove(\"trypsin_digest.txt\")
    outfile = open(\"trypsin_digest.txt\",\'w+\')

    for line in myprotein:
        protein = line.rstrip()
        protein = re.sub(\'(?<=[RK])(?=[^P])\',\'\',protein)

    for peptide in protein:
        outfile.write(peptide)
    print \'results written to:\\n\',os.getcwd() +\'\\ trypsin_digest.txt\'

这就是我如何为我工作

   myprotein = open(raw_input(\'Enter input filename: \'),\'r\')
   my_protein = []

   for protein in myprotein:
   myprotein = protein.rstrip(\'\\n\')
   my_protein.append(myprotein)
   my_pro = (\'\'.join(my_protein))

   #cleaves sequence    
   peptides = re.sub(r\'(?<=[RK])(?=[^P])\',\'\\n\',my_pro)
   print peptides

蛋白质序列： MVPPPPSRGGAAKPGQLGRSLGPLLLLLRPEEPEDGDREICSESK MVPPPPSRGGAAKPGQLGRSLGPLLLLLRPEEPEDGDREICSESK MVPPPPSRGGAAKPGQLGRSLGPLLLLLRPEEPEDGDREICSESK 输出（胰蛋白酶切割位点）或肽 MVPPPPSR GGAAKPGQLGR SLGPLLLLLRPEEPEDGDR 埃塞斯克 MVPPPPSR GGAAKPGQLGR SLGPLLLLLRPEEPEDGDR 埃塞斯克 MVPPPPSR GGAAKPGQLGR SLGPLLLLLRPEEPEDGDR 埃塞斯克     

解决方法

        正则表达式很好，但这是使用常规python的解决方案。既然你 在碱基中寻找子序列，将其构建为生成器是有意义的， 产生碎片。

example = \'MVPPPPSRGGAAKPGQLGRSLGPLLLLLRPEEPEDGDREICSESK\'

def trypsin(bases):
    sub = \'\'
    while bases:
        k,r = bases.find(\'K\'),bases.find(\'R\')
        cut = min(k,r)+1 if k > 0 and r > 0 else max(k,r)+1
        sub += bases[:cut]
        bases = bases[cut:]
        if not bases or bases[0] != \'P\':
            yield sub
            sub = \'\'


print list(trypsin(example))

    ,        编辑稍作修改，您的正则表达式就可以正常工作： 在您的评论中，您提到了一个文件中有多个序列（我们将其称为sequence.dat）：

$ cat sequences.dat
MVPPPPSRGGAAKPGQLGRSLGPLLLLLRPEEPEDGDREICSESK
MVPPPPSRGGAAKPGQLGRSLGPLLLLLRPEEPEDGDREICSESK
MVPPPPSRGGAAKPGQLGRSLGPLLLLLRPEEPEDGDREICSESK

>>> with open(\'sequences.dat\') as f:
    s = f.read()

>>> print(s)
MVPPPPSRGGAAKPGQLGRSLGPLLLLLRPEEPEDGDREICSESK
MVPPPPSRGGAAKPGQLGRSLGPLLLLLRPEEPEDGDREICSESK
MVPPPPSRGGAAKPGQLGRSLGPLLLLLRPEEPEDGDREICSESK

>>> protein = re.sub(r\'(?<=[RK])(?=[^P])\',\'\\n\',s,re.DOTALL)

>>> protein.split()
[\'MVPPPPSR\',\'GGAAKPGQLGR\',\'SLGPLLLLLRPEEPEDGDR\',\'EICSESK\',\'MVPPPPSR\',\'EICSESK\']

>>> print protein
MVPPPPSR
GGAAKPGQLGR
SLGPLLLLLRPEEPEDGDR
EICSESK

MVPPPPSR
GGAAKPGQLGR
SLGPLLLLLRPEEPEDGDR
EICSESK

MVPPPPSR
GGAAKPGQLGR
SLGPLLLLLRPEEPEDGDR
EICSESK

    ,        我相信以下正则表达式将按照您的描述进行操作：

([KR]?[^P].*?[KR](?!P))

以下来自pythonregexp的结果

>>> regex = re.compile(\"([KR]?[^P].*?[KR](?!P))\")
>>> r = regex.search(string)
>>> r
<_sre.SRE_Match object at 0xb1a9f49eb4111980>
>>> regex.match(string)
<_sre.SRE_Match object at 0xb1a9f49eb4102980>

# List the groups found
>>> r.groups()
(u\'MVPPPPSR\',)

# List the named dictionary objects found
>>> r.groupdict()
{}

# Run findall
>>> regex.findall(string)
[u\'MVPPPPSR\',u\'GGAAKPGQLGR\',u\'SLGPLLLLLRPEEPEDGDR\',u\'EICSESK\']