发现Perl的一个特殊功能——循环匹配

在李恒的github博客 On the definition of sequence identity 当中看到这样一个Perl单行代码：

$ perl -ane 'if(/NM:i:(\d+)/){$n=$1;$l=0;$l+=$1 while/(\d+)[MID]/g;print(($l-$n)/$l,"\n")}'

这行代码的目的是为了计算SAM文件中每条记录BLAST identity

BLAST identity是根据你比对到的碱基除去比对所涉及到的columns数目，换句话来说就是比对涉及到所有的碱基数目

例如这样的双序列比对：

Ref+:  1 CCAGTGTGGCCGATaCCCcagGTtgGC-ACGCATCGTTGCCTTGGTAAGC 49
         |||||||||||||| |||   ||  || ||||||||||||||||||||||
Qry+:  1 CCAGTGTGGCCGATgCCC---GT--GCtACGCATCGTTGCCTTGGTAAGC 45

它们的BLAST identity就是43/50=86%

那么要计算SAM文件中每条reads的BLAST identity，总长可以通过叠加CIGAR中对应的M/I/D的数目得到，比对到的碱基数目等于总长减去NMtag（比对不上的碱基位置的标记）

SAM文件中的NMtag

李恒的这行代码中有一部分一开始没有读懂，就是下图红框中的那部分：

其实这是一种简写方式，正规完整且更容易读懂的形式可以写成下面这样：

# 这里为了更好看，添加了适当的换行和缩进

$ perl -ane \
'if(/NM:i:(\d+)/){
    $n=$1;
    $l=0;
    while(/(\d+)[MID]/g){
        $l+=$1;
    }
    print(($l-$n)/$l,"\n");
}
'

while(/(\d+)[MID]/g)中的正则表达式/(\d+)[MID]/g，引起了我极大的好奇：它是在正则表达式后面添加了一个g字符，即开启了全局匹配，又由于是在while( )中进行的正则匹配，等于是开启了循环匹配，即对于CIGAR字符串18M3D22M，正则表达式/(\d+)[MID]/g，先会匹配上18M，然后会匹配上3D，最后匹配上22M

很有意思的用法

---

参考资料：

(1) Heng Li's blog: On the definition of sequence identity

(2) 【】生信杂谈：怎样定义sequences比对的相似度？