Prosite

Uno degli esempi più felici per l'utilizzo di espressioni regolari è fornito da PROSITE (www.expasy.ch/prosite/). PROSITE è un database di domini di famiglie proteiche, ed è costituito da pattern (regolari) che rappresentano 'siti biologici significativi'. Questi siti sono definiti lungo la sequnza proteica in modo contiguo e tramite una 'grammatica regolare', il che implica che possono essere espressi tramite le nostre RE di Python. La nomenclatura utilizzata in PROSITE è leggermente differente e si può riassumere nel modo seguente

• Il codice standard IUPAC ad una lettera è utlizzato per gli amminoacidi
• il simbolo 'x' indica qualsiasi tipo di residuo
• le alternative sono indicate tra parentesi quadre. [ALT] significa for Ala or Leu or Thr
• si possono utilizzare alternative complementari usando le paretesi graffe { }. {AM} sognifica tutti eccetto Ala e Met.
• ciascun elemento viene separato dal trattino '-'
• le ripetizioni sono indicate con le parentesi tonde. Così x(2,3) equivale a x-x e x-x-x
• quando un pattern è N- o C- terminale si utilizzano i simboli '$<$' e '$>$'.
• un punto termina il pattern

per esempio

   PA   [AC]-x-V-x(4)-{ED}.

significa [Ala or Cys]-any-Val-any-any-any-any-{any but Glu or Asp}, mentre

   PA   <A-x-[ST](2)-x(0,1)-V.

significa che siamo all N-terminale e viene letto come Ala-any-[Ser or Thr]-[Ser or Thr]-(any or none)-Val

Come esempio finale vediamo una funzione Python che utilizza il pattern PROSITE per le lipoproteine procariotiche e cerca se esso è presente in una sequenza data. Come si può vedere il patter originale PROSITE è

PROSITE {DERK}(6)-[LIVMFWSTAG](2)-[LIVMFYSTAGCQ]-[AGS]-C.

da cui la nostra traduzione in Python re diviene

re     '[^DERK]{6,6}[LIVMFWSTAG]{2,2}[LIVMFYSTAGCQ][AGS]C'

in aggiunta utilizziamo il fatto di poter fare il match sia di caratteri maiuscoli sia di quelli minuscoli (indipendentemente da come è stata passata la sequenza), utilizzando in compile la keyword re.IGNORECASE.

''' When a sequence is predicted to be a signal peptide and the 
    organism is a gram- or gram+ then there is the possibility 
    that the signal peptide is cleaved by the Signap peptidase II.
    This means that the cutting site is a Cysteine and that there
    is a regular expression to apply 

Lipoprotein re = {DERK}(6)-[LIVMFWSTAG](2)-[LIVMFYSTAGCQ]-[AGS]-C 
    additional rule
RU   (1) The cysteine must be between positions 15 and 35 of the sequence in
RU       consideration.
RU   (2) There must be at least one charged residue (Lys or Arg) in the first
RU       seven residues of the sequence.

'''

def findLipo(seq,rule2=None):
    ''' 
       findlipo(seq) 
    '''
    import re
    retval=None
    if len(seq) < 35 :
       return retval  # sequence too short
    if rule2:  # rule (2)
        ok=None
        s=seq[:7]
        s.upper()
        if 'R' in s or 'K' in s:
            ok='yes'       # ok proceed
        else:
            return retval   # no K or R in the firrst seven
    pat=re.compile('[^DERK]{6,6}[LIVMFWSTAG]{2,2}[LIVMFYSTAGCQ][AGS]C',re.IGNORECASE) 
    res=pat.search(seq[:36]) # rule (1)
    if res and (rule2 == None or ok):
        (end)=res.end()
        if 15<=end : # rule (1)
            retval=end,seq[:end+1]
    return retval