正则表达式
学习资料：
Intro to Regular expressions
30分钟入门正则表达式
为什么要学习正则表达式：在进行基因序列比对的时候，需要对每个基因的特定序列进行匹配、评分，匹配规则往往比较复杂，正则表达式可以高效的实现这一需求。
入门知识点：
- \b是正则表达式规定的一个特殊代码（好吧，某些人叫它元字符，metacharacter），代表着单词的开头或结尾，也就是单词的分界处。虽然通常英文的单词是由空格，标点符号或者换行来分隔的，但是\b并不匹配这些单词分隔字符中的任何一个，它只匹配一个位置。
举例：从him,history,high,hi中查找hi这个单词，需要使用的正则表达式为：\bhi\b
假如你要找的是hi后面不远处跟着一个Lucy，你应该用\bhi\b.*\bLucy\b
*同样是元字符，不过它代表的不是字符，也不是位置，而是数量——它指定*前边的内容可以连续重复使用任意次以使整个表达式得到匹配。
0\d\d-\d\d\d\d\d\d\d\d匹配这样的字符串：以0开头，然后是两个数字，然后是一个连字号“-”，最后是8个数字(也就是中国的电话号码。当然，这个例子只能匹配区号为3位的情形)。
\d是个新的元字符，匹配一位数字(0，或1，或2，或……)。
-不是元字符，只匹配它本身
为了避免那么多烦人的重复，我们也可以这样写这个表达式：0\d{2}-\d{8}。这里\d后面的{2}({8})的意思是前面\d必须连续重复匹配2次(8次)。
元字符
| 代码 | 说明 |
|---|---|
| . | 匹配除换行符以外的任意字符 |
| \w | 匹配字母或数字或下划线或汉字 |
| \s | 匹配任意的空白符 |
| \d | 匹配数字 |
| \b | 匹配单词的开始或结束 |
| ^ | 匹配字符串的开始 |
| $ | 匹配字符串的结束 |
表1.常用的元字符
| 代码 | 说明 |
|---|---|
| . | 匹配除换行符以外的任意字符 |
| \w | 匹配字母或数字或下划线或汉字 |
| \s | 匹配任意的空白符 |
| \d | 匹配数字 |
| \b | 匹配单词的开始或结束 |
| ^ | 匹配字符串的开始 |
| $ | 匹配字符串的结束 |
字符转义
特殊字符字符转义符：\
主要用于解决*.等特殊字符在正则表达式中无法代表其自身的问题。
*表达方式: \*
.表达方式：\.
重复
| 代码/语法 | 说明 |
|---|---|
| * | 重复零次或更多次 |
| + | 重复一次或更多次 |
| ? | 重复零次或一次 |
| {n} | 重复n次 |
| {n,} | 重复n次或更多次 |
| {n,m} | 重复n到m次 |
表2.常用的限定符
| 代码/语法 | 说明 |
|---|---|
| * | 重复零次或更多次 |
| + | 重复一次或更多次 |
| ? | 重复零次或一次 |
| {n} | 重复n次 |
| {n,} | 重复n次或更多次 |
| {n,m} | 重复n到m次 |
字符类
要想查找数字，字母或数字，空白是很简单的，因为已经有了对应这些字符集合的元字符，但是如果你想匹配没有预定义元字符的字符集合(比如元音字母a,e,i,o,u)需要自己制定规则：如[aeiou]就匹配任何一个英文元音字母，[.?!]匹配标点符号(.或?或!)。
\(?0\d{2}[) -]?\d{8}
“(”和“)”也是元字符，后面的分组节里会提到，所以在这里需要使用转义。
这个表达式可以匹配几种格式的电话号码，像(010)88886666，或022-22334455，或02912345678等。我们对它进行一些分析吧：首先是一个转义字符(,它能出现0次或1次(?),然后是一个0，后面跟着2个数字(\d{2})，然后是)或-或空格中的一个，它出现1次或不出现(?)，最后是8个数字(\d{8})。
分枝条件
正则表达式里的分枝条件指的是有几种规则，如果满足其中任意一种规则都应该当成匹配，具体方法是用|把不同的规则分隔开。其实就是将所有可能的正则表达式用|连接起来啦~
0\d{2}-\d{8}|0\d{3}-\d{7}这个表达式能匹配两种以连字号分隔的电话号码：一种是三位区号，8位本地号(如010-12345678)，一种是4位区号，7位本地号(0376-2233445)。
注意：
使用分枝条件时，要注意各个条件的顺序。
分组
用小括号来指定子表达式(也叫做分组)，然后你就可以指定这个子表达式的重复次数了，你也可以对子表达式进行其它一些操作(后面会有介绍)。
(\d{1,3}.){3}\d{1,3}是一个简单的IP地址匹配表达式。要理解这个表达式，请按下列顺序分析它：\d{1,3}匹配1到3位的数字，(\d{1,3}.){3}匹配三位数字加上一个英文句号(这个整体也就是这个分组)重复3次，最后再加上一个一到三位的数字(\d{1,3})。
反义
有时需要查找不属于某个能简单定义的字符类的字符。比如想查找除了数字以外，其它任意字符都行的情况，这时需要用到反义：
| 代码/语法 | 说明 |
|---|---|
| \W | 匹配任意不是字母，数字，下划线，汉字的字符 |
| \S | 匹配任意不是空白符的字符 |
| \D | 匹配任意非数字的字符 |
| \B | 匹配不是单词开头或结束的位置 |
| [^x] | 匹配除了x以外的任意字符 |
| [^aeiou] | 匹配除了aeiou这几个字母以外的任意字符 |
表3.常用的反义代码
| 代码/语法 | 说明 |
|---|---|
| \W | 匹配任意不是字母，数字，下划线，汉字的字符 |
| \S | 匹配任意不是空白符的字符 |
| \D | 匹配任意非数字的字符 |
| \B | 匹配不是单词开头或结束的位置 |
| [^x] | 匹配除了x以外的任意字符 |
| [^aeiou] | 匹配除了aeiou这几个字母以外的任意字符 |
例子：\S+匹配不包含空白符的字符串。
以上是一些基础类正则表达式，高级进阶还请看链接肿作者给的更详细的示例。强烈推荐看开头的链接网站，真的是30分钟入门正则表达式~
linux中可以使用grep配合正则表达式抓取符合一定特征的字符。
k-mer简介
The term k-mer typically refers to all the possible substrings of length k that are contained in a string.
k-mer主要有以下一些用途：
- 纠错：出现少的k-mer可能是测序错误
- 分类：一些特殊的k-mer可能鉴定基因组
- 伪比对：新的伪比对软件可以直接利用常见的k-mer来定位reads
k-mer计算要远远快于序列比对，因此可以加快比对效率。
序列比对
序列比对是生物信息学最为核心的概念。
在显示序列比对结果时，-代表空缺，|代表匹配，.代表错配。示例：
ATGCAAATGACAAATAC
|||| |||.||.|
ATGC---TGATAACT--
如果没有特殊说明，一般是用下面的序列和上面的序列进行比对，上面的结果说明序列有5个碱基缺失和2个碱基错配。
ATGC---TGATAACT--
|||| |||.||.|
ATGCAAATGACAAATAC
这种序列比对结果说明序列有5个插入碱基和2个错配碱基。
序列比对结果与评分规则有很大关系。
常用碱基匹配评分规则 EDNAFULL scoring matrix。
curl -O ftp://ftp.ncbi.nlm.nih.gov/blast/matrices/NUC.4.4
cat NUC.4.4
序列比对评分分为碱基（基因）匹配规则和蛋白匹配评分规则两种。
序列比对结果和匹配规则的选取有很大关系。如果要深入了解，建议阅读更多的参考资料。我也需要再深入学习一下。