Python编写adaptor切除工具时序列大小写不敏感匹配问题求助

问题根源 #

1. Python 原生字符串的startswith()方法不支持正则标志位参数，re.I是正则模块的常量，传入startswith()会触发参数类型错误，这是修改后代码无法运行的直接原因。
2. 原有逻辑只覆盖了adaptor全大写、全小写两种匹配场景，完全没有处理大小写混合的情况，所以遇到TAta类的混合序列会匹配失败。
3. 原有代码还存在两处逻辑隐患：
   • 遍历read.items()查找seq键的写法冗余，且输出逻辑会把read对象的所有键值都写入输出文件，如果存储了质量值、序列id等其他字段会导致输出异常
   • 用replace()删除开头adaptor的逻辑存在风险：如果序列中间也出现和adaptor一致的序列，极端场景下可能误删，直接按长度切片更安全。

修复方案 #

方案1：无需引入正则，统一大小写比对（性能更高，更推荐生物序列处理场景使用） #

直接将序列开头的对应长度片段和adaptor统一转为大写/小写后比对，匹配成功直接切片切除即可，修改后代码如下：

elif operation == "adaptor-removal":
    adaptor = args.adaptor 
    adaptor_len = len(adaptor)
    # 提前把adaptor转成大写，后续统一比对
    adaptor_upper = adaptor.upper()
    reads = sequences(args.input, format)
    num_reads = len(reads)
    bases = "".join([read["seq"] for read in reads])
    adaptors_found = 0
    for read in reads:
        seq = read["seq"]
        # 只比对开头对应长度的片段，统一转大写
        if len(seq) >= adaptor_len and seq[:adaptor_len].upper() == adaptor_upper:
            adaptors_found += 1
            # 直接切片切除开头的adaptor
            seq = seq[adaptor_len:]
        # 只写入处理后的序列
        args.output.write("%s\n" % seq)
    print_summary(operation)    
    print("%s adaptors found" % adaptors_found)

方案2：使用正则实现大小写不敏感匹配 #

如果要使用正则的大小写不敏感能力，需要调用re模块的match方法（专门匹配字符串开头），写法如下：
首先要在代码开头导入正则模块：

import re

对应业务逻辑修改为：

elif operation == "adaptor-removal":
    adaptor = args.adaptor 
    reads = sequences(args.input, format)
    num_reads = len(reads)
    bases = "".join([read["seq"] for read in reads])
    adaptors_found = 0
    adaptor_pattern = re.compile(re.escape(adaptor), re.IGNORECASE)
    for read in reads:
        seq = read["seq"]
        match_res = adaptor_pattern.match(seq)
        if match_res:
            adaptors_found += 1
            # 从匹配结束的位置开始截取序列
            seq = seq[match_res.end():]
        args.output.write("%s\n" % seq)
    print_summary(operation)    
    print("%s adaptors found" % adaptors_found)

注意这里加了re.escape()处理adaptor序列，避免adaptor里出现正则特殊字符时匹配异常，如果你确认adaptor只有ATCG四种字符可以省略。

内容的提问来源于stack exchange，提问作者ryn roderic