使用Python从Newick格式提取分支长度

Question

我有一个python列表，由一个以Newick格式编写的树组成，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，显示如下：

我试图写一些代码，将通过列表项，并返回ID（BMNHxxxxxx）这是加入分支长度为0（或

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

取自另一个StackOverflow答案，其中A项将是'：'，因为分支长度总是出现在a之后：而B项将是'a'、'或'）'或'a'；'，因为这是一个有三个字符来分隔它，但我不是有足够的正则表达式经验来做这件事。

在这种情况下，通过使用分支长度为0，我希望代码输出['BMNH703458a'，'BMNH703458b']。如果我可以改变这也包括ID的加入一个分支长度的用户定义的值，例如0.01，这将是非常有用的。

如果任何人有任何意见，或能给我一个有用的答案，我将不胜感激。

Answer 1

有几个Python库支持newick格式。ETE工具包允许读取newick字符串，并将树作为Python对象进行操作：

from ete2 import Tree
tree = Tree(newickFile)
print tree

可以选择几个newick子格式，并解析分支距离，即使它们是用科学符号表示的。

from ete2 import Tree
tree = Tree("(A:3.4, (B:0.15E-10,C:0.0001):1.5E-234);")

Answer 2

我知道你的问题已经得到了回答，但是如果你想让你的数据成为一个嵌套列表而不是一个简单的字符串：

import re
import pprint

a="(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;"

def tokenize(str):
  for m in re.finditer(r"\(|\)|[\w.:]+", str):
    yield m.group()

def make_nested_list(tok, L=None):
  if L is None: L = []
  while True:
    try: t = tok.next()
    except StopIteration: break
    if   t == "(": L.append(make_nested_list(tok))
    elif t == ")": break
    else:
      i = t.find(":"); assert i != -1
      if i == 0: L.append(float(t[1:]))
      else:      L.append([t[:i], float(t[i+1:])])
  return L

L = make_nested_list(tokenize(a))
pprint.pprint(L)

Answer 3

好的，这里有一个只提取数字（可能是小数）的正则表达式：

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

\bs确保旁边的数字周围没有其他数字、字母或下划线。这叫做单词边界。

[0-9]匹配多个数字。

代码>(?:\.[0-9]）？是一个可选的组，这意味着它可能匹配，也可能不匹配。如果第一个[0-9]后面有一个点和数字，那么它将匹配这些。否则，它不会。组本身匹配一个点，并且至少匹配1位数。

您可以将其与re一起使用。findall将所有匹配项放入列表：

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，您可以打印以下内容：

['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']