使用Python从Newick格式中提取分支长度

Question

我在python中有一个列表,由一个项目组成,这是一个用Newick格式编写的树,如下所示:

['(BMNH833953:0.16529463651919140688,(((BMNH833883:0.22945757727367316336,(BMNH724182a:0.18028180766761139897,(BMNH724182b:0.21469677818346077913,BMNH724082:0.54350916483644962085):0.00654573856803835914):0.04530853441176059537):0.02416511342888815264,(((BMNH794142:0.21236619242575086042,(BMNH743008:0.13421900772403019819,BMNH724591:0.14957653992840658219):0.02592135486124686958):0.02477670174791116522,BMNH703458a:0.22983459269245612444):0.00000328449424529074,BMNH703458b:0.29776257618061197086):0.09881729077887969892):0.02257522897558370684,BMNH833928:0.21599133163597591945):0.02365043128986757739,BMNH724053:0.16069861523756587274):0.0;']

在树格式中,如下所示:

我正在尝试编写一些代码,这些代码将查看列表项并返回ID(BMNHxxxxxx),这些ID通过分支长度0(或者例如<0.001)连接(以红色突出显示).我想过使用正则表达式如:

JustTree = []
with JustTree as f:
    for match in re.finditer(r"(?<=Item\sA)(?:(?!Item\sB).){50,}", subject, re.I):
        f.extend(match.group()+"\n") 

从另一个StackOverflow答案中得出,其中项目A将是':',因为分支长度总是出现在:和项目B可以是','或')'或';' 因为这有三个字符划分它,但我没有经验足够的正则表达式来做到这一点.

在这种情况下,通过使用0的分支长度,我希望代码输出['BMNH703458a','BMNH703458b'].如果我可以改变它以包括通过用户定义的值0.01的分支长度加入的ID,这将是非常有用的.

如果有人有任何意见,或者可以指出我有用的答案,我将非常感激.

Answer 1

好的，这是一个仅提取数字（带有潜在小数）的正则表达式：

\b[0-9]+(?:\.[0-9]+)?\b

确保\b紧邻的数字周围没有其他数字、字母或下划线。这称为单词边界。

[0-9]+匹配多个数字。

(?:\.[0-9]+)?是一个可选组，意味着它可能匹配也可能不匹配。如果第一个后面有一个点和数字[0-9]+，那么它将匹配这些。否则就不会了。该组本身匹配一个点和至少 1 位数字。

您可以使用它来re.findall将所有匹配项放入列表中：

import re
NewickTree = ['(BMNH833953:0.16529463651919140688,(((BMNH833883:0.22945757727367316336,(BMNH724182a:0.18028180766761139897,(BMNH724182b:0.21469677818346077913,BMNH724082:0.54350916483644962085):0.00654573856803835914):0.04530853441176059537):0.02416511342888815264,(((BMNH794142:0.21236619242575086042,(BMNH743008:0.13421900772403019819,BMNH724591:0.14957653992840658219):0.02592135486124686958):0.02477670174791116522,BMNH703458a:0.22983459269245612444):0.00000328449424529074,BMNH703458b:0.29776257618061197086):0.09881729077887969892):0.02257522897558370684,BMNH833928:0.21599133163597591945):0.02365043128986757739,BMNH724053:0.16069861523756587274):0.0;']

pattern = re.compile(r"\b[0-9]+(?:\.[0-9]+)?\b")

for tree in NewickTree:
    branch_lengths = pattern.findall(tree)
    # Do stuff to the list branch_lengths
    print(branch_lengths)

对于此列表，您将打印以下内容：

['0.16529463651919140688', '0.22945757727367316336', '0.18028180766761139897',
 '0.21469677818346077913', '0.54350916483644962085', '0.00654573856803835914', 
 '0.04530853441176059537', '0.02416511342888815264', '0.21236619242575086042',
 '0.13421900772403019819', '0.14957653992840658219', '0.02592135486124686958', 
 '0.02477670174791116522', '0.22983459269245612444', '0.00000328449424529074',
 '0.29776257618061197086', '0.09881729077887969892', '0.02257522897558370684',
 '0.21599133163597591945', '0.02365043128986757739', '0.16069861523756587274',
 '0.0']