模糊字符串与grep匹配

Question

我试图匹配包含字符串的文件中的行ACTGGGTAAACTA。如果我做

grep "ACTGGGTAAACTA" file 

它给了我完全匹配的行。有没有办法允许一定数量的不匹配（替换，插入或删除）？例如，我正在寻找序列

1. 最多3个允许的格式，如“AGTGGGTAACCAA”等。
2. 插入/删除（部分匹配，如“ACTGGGAAAATAAACTA”或“ACTAAACTA”）

Answer 1

曾经有一个名为agrep的工具用于模糊正则表达式匹配，但它被放弃了。

http://en.wikipedia.org/wiki/Agrep有一些历史和相关工具的链接。

https://github.com/Wikinaut/agrep看起来像一个复活的开源版本，但我还没有测试过它。

如果做不到这一点，看看你是否能为你的发行版找到tre-agrep。

Answer 2

您可以使用tre-agrep并使用edit distance开关指定-E。例如，如果你有一个文件foo：

cat <<< EOF > foo
ACTGGGAAAATAAACTA
ACTAAACTA
ACTGGGTAAACTA
EOF

您可以将每行编辑距离最多匹配为9，如下所示：

tre-agrep -s -9 -w ACTGGGTAAACTA foo

输出：

4:ACTGGGAAAATAAACTA
4:ACTAAACTA
0:ACTGGGTAAACTA

Answer 3

简答：不。

答案很长：作为@JDB said，正则表达式本质上是精确的。你可以在某些地方手动添加[ATGC]而不是A这样的不匹配，但是没有办法只允许少量任何不匹配。我建议您编写自己的代码来解析它，或尝试在某处找到DNA解析器。

Answer 4

有一个名为fuzzysearch（我写的）的Python库，它提供了所需的功能。

以下是一些应该有效的示例代码：

from fuzzysearch import find_near_matches

with open('path/to/file', 'r') as f:
    data = f.read()

# 1. search allowing up to 3 substitutions
matches = find_near_matches("ACTGGGTAAACTA", data, max_substitutions=3)

# 2. also allow insertions and deletions, i.e. allow an edit distance
#    a.k.a. Levenshtein distance of up to 3
matches = find_near_matches("ACTGGGTAAACTA", data, max_l_dist=3)