Python3〜正規表現のパターン判定

バイオインフォマティクスにおいて、データ解析は非常に重要です。遺伝子配列やタンパク質配列の解析、データベースの検索、配列のパターンマッチングなど、様々な場面で効率的なデータ処理が求められます。その中で、文字列操作は不可欠なスキルです。特に、DNAやRNA、タンパク質の配列解析において、特定のパターンを効率的に検索する手段として「正規表現」を活用する場面が多々あります。

本記事では、Python3の標準ライブラリ「re」を使って、正規表現を活用した文字列のパターンマッチングの基本と応用について説明します。基本的な文法からバイオインフォマティクスでの具体例まで、バイオデータ解析における正規表現の活用法を学んでいきましょう。

正規表現とは？
Python3での正規表現の基本
1. 基本的な使い方
2. 正規表現パターンの要素
応用例: バイオインフォマティクスでの活用
まとめ

正規表現とは？

正規表現（Regular Expression、Regex）は、特定のパターンに基づいて文字列を検索、抽出、または操作するための手法です。単純な文字列検索と異なり、柔軟なパターンを指定してマッチングを行うことができます。例えば、「AGTC」の配列を検索するだけでなく、特定の条件を満たすより複雑な配列（例：Aで始まりTで終わる配列）を検索することが可能です。

正規表現は、DNAやタンパク質の配列を扱う際に非常に有用です。バイオインフォマティクスでは、特定のモチーフ（特定の機能を持つ配列）を検索したり、複雑な配列パターンを解析したりする際に使われます。

Python3での正規表現の基本

Pythonでは、正規表現を扱うために標準ライブラリである「re」モジュールを使用します。このモジュールを使うことで、正規表現パターンを定義し、それに基づいて文字列を検索・操作することができます。

基本的な使い方

まず、Pythonでの正規表現パターンの判定の基本を紹介します。以下は、特定の文字列がパターンにマッチするかどうかを調べる最も基本的な例です。

import re

# 正規表現パターン
pattern = r'AG[CT]A'

# 対象となる文字列
sequence = "AGCA"

# パターンにマッチするか確認
if re.match(pattern, sequence):
    print("パターンにマッチしました")
else:
    print("パターンにマッチしませんでした")

ここでは、AG[CT]A というパターンを定義しています。[CT] の部分はCまたはTにマッチすることを意味します。この例では、配列 “AGCA” がパターンにマッチしています。

正規表現パターンの要素

正規表現にはいくつかの基本的な要素があります。以下に主要なものをいくつか紹介します。

. : 任意の一文字にマッチ
[] : 指定した文字のいずれかにマッチ
^ : 文字列の先頭にマッチ
$ : 文字列の末尾にマッチ
* : 直前の文字が0回以上繰り返される
+ : 直前の文字が1回以上繰り返される
? : 直前の文字が0回または1回繰り返される

例えば、r'^A.*T$'というパターンは「Aで始まりTで終わる任意の文字列」にマッチします。これをDNA配列に応用することで、特定の条件を持つ配列を効率的に検索できます。

応用例: バイオインフォマティクスでの活用

ここからは、実際にバイオインフォマティクスで正規表現を使ってどのように配列解析を行うか、具体例を挙げて説明します。

1. DNAモチーフの検索

DNA配列中で、特定のモチーフを検索する際に正規表現は非常に役立ちます。たとえば、以下のコードは、DNA配列中にモチーフ “ATG”（スタートコドン）が含まれているかどうかを確認します。

import re

# 正規表現パターン
pattern = r'ATG'

# 対象となるDNA配列
dna_sequence = "GGGATGCCC"

# モチーフが含まれているか検索
if re.search(pattern, dna_sequence):
    print("スタートコドンが見つかりました")
else:
    print("スタートコドンは見つかりませんでした")

このコードでは、re.search() を使用して、配列中に “ATG” が存在するかどうかを確認しています。re.match() は文字列の先頭のみをチェックするのに対して、re.search() は文字列全体を検索するため、モチーフがどこに現れても検出することができます。

2. 配列のバリデーション

バイオインフォマティクスでは、配列データが正しいフォーマットであるかを確認する必要があります。正規表現を使って、例えばDNA配列がA, T, G, Cのみから構成されているかどうかを確認することが可能です。

import re

# 正規表現パターン (A, T, G, C 以外が含まれていないか確認)
pattern = r'^[ATGC]+$'

# 対象となるDNA配列
dna_sequence = "ATGCGTAA"

# 配列が正しいフォーマットか確認
if re.match(pattern, dna_sequence):
    print("正しいDNA配列です")
else:
    print("不正な文字が含まれています")

このコードでは、配列が “A”, “T”, “G”, “C” のみで構成されているかどうかをチェックしています。もし他の文字（例：Nや空白）が含まれている場合は、不正な配列として処理されます。

3. 複雑なパターンの検索

バイオインフォマティクスでは、配列中の複雑なパターンを検索することがよくあります。例えば、特定の数の繰り返し配列や、指定された範囲の長さを持つモチーフを検索する場合です。

以下は、AまたはTが3回以上連続して現れる箇所を検索する例です。

import re

# 正規表現パターン (AまたはTが3回以上連続する部分を検索)
pattern = r'[AT]{3,}'

# 対象となるDNA配列
dna_sequence = "AGTAAATTCGGTAATATTTT"

# パターンにマッチする部分を検索
matches = re.findall(pattern, dna_sequence)
print("マッチした部分:", matches)

このコードでは、re.findall() を使って、指定されたパターンにマッチするすべての箇所を検索しています。この場合、AまたはTが3回以上連続する部分が抽出されます。