正則表達式
學習資料：
為什么要學習正則表達式：在進行基因序列比對的時候，需要對每個基因的特定序列進行匹配、評分，匹配規則往往比較復雜，正則表達式可以高效的實現這一需求。
入門知識點：
- \b是正則表達式規定的一個特殊代碼（好吧，某些人叫它元字符，metacharacter），代表著單詞的開頭或結尾，也就是單詞的分界處。雖然通常英文的單詞是由空格，標點符號或者換行來分隔的，但是\b并不匹配這些單詞分隔字符中的任何一個，它只匹配一個位置。
舉例：從him,history,high,hi中查找hi這個單詞，需要使用的正則表達式為：\bhi\b
假如你要找的是hi后面不遠處跟著一個Lucy，你應該用\bhi\b.*\bLucy\b
*同樣是元字符，不過它代表的不是字符，也不是位置，而是數量——它指定*前邊的內容可以連續重復使用任意次以使整個表達式得到匹配。
0\d\d-\d\d\d\d\d\d\d\d匹配這樣的字符串：以0開頭，然后是兩個數字，然后是一個連字號“-”，最后是8個數字(也就是中國的電話號碼。當然，這個例子只能匹配區號為3位的情形)。
\d是個新的元字符，匹配一位數字(0，或1，或2，或……)。
-不是元字符，只匹配它本身
為了避免那么多煩人的重復，我們也可以這樣寫這個表達式：0\d{2}-\d{8}。這里\d后面的{2}({8})的意思是前面\d必須連續重復匹配2次(8次)。
元字符
| 代碼 | 說明 |
|---|---|
| . | 匹配除換行符以外的任意字符 |
| \w | 匹配字母或數字或下劃線或漢字 |
| \s | 匹配任意的空白符 |
| \d | 匹配數字 |
| \b | 匹配單詞的開始或結束 |
| ^ | 匹配字符串的開始 |
| $ | 匹配字符串的結束 |
表1.常用的元字符
| 代碼 | 說明 |
|---|---|
| . | 匹配除換行符以外的任意字符 |
| \w | 匹配字母或數字或下劃線或漢字 |
| \s | 匹配任意的空白符 |
| \d | 匹配數字 |
| \b | 匹配單詞的開始或結束 |
| ^ | 匹配字符串的開始 |
| $ | 匹配字符串的結束 |
字符轉義
特殊字符字符轉義符：\
主要用于解決*.等特殊字符在正則表達式中無法代表其自身的問題。
*表達方式: \*
.表達方式：\.
重復
| 代碼/語法 | 說明 |
|---|---|
| * | 重復零次或更多次 |
| + | 重復一次或更多次 |
| ? | 重復零次或一次 |
| {n} | 重復n次 |
| {n,} | 重復n次或更多次 |
| {n,m} | 重復n到m次 |
表2.常用的限定符
| 代碼/語法 | 說明 |
|---|---|
| * | 重復零次或更多次 |
| + | 重復一次或更多次 |
| ? | 重復零次或一次 |
| {n} | 重復n次 |
| {n,} | 重復n次或更多次 |
| {n,m} | 重復n到m次 |
字符類
要想查找數字，字母或數字，空白是很簡單的，因為已經有了對應這些字符集合的元字符，但是如果你想匹配沒有預定義元字符的字符集合(比如元音字母a,e,i,o,u)需要自己制定規則：如[aeiou]就匹配任何一個英文元音字母，[.?!]匹配標點符號(.或?或!)。
\(?0\d{2}[) -]?\d{8}
“(”和“)”也是元字符，后面的分組節里會提到，所以在這里需要使用轉義。
這個表達式可以匹配幾種格式的電話號碼，像(010)88886666，或022-22334455，或02912345678等。我們對它進行一些分析吧：首先是一個轉義字符(,它能出現0次或1次(?),然后是一個0，后面跟著2個數字(\d{2})，然后是)或-或空格中的一個，它出現1次或不出現(?)，最后是8個數字(\d{8})。
分枝條件
正則表達式里的分枝條件指的是有幾種規則，如果滿足其中任意一種規則都應該當成匹配，具體方法是用|把不同的規則分隔開。其實就是將所有可能的正則表達式用|連接起來啦~
0\d{2}-\d{8}|0\d{3}-\d{7}這個表達式能匹配兩種以連字號分隔的電話號碼：一種是三位區號，8位本地號(如010-12345678)，一種是4位區號，7位本地號(0376-2233445)。
注意：
使用分枝條件時，要注意各個條件的順序。
分組
用小括號來指定子表達式(也叫做分組)，然后你就可以指定這個子表達式的重復次數了，你也可以對子表達式進行其它一些操作(后面會有介紹)。
(\d{1,3}.){3}\d{1,3}是一個簡單的IP地址匹配表達式。要理解這個表達式，請按下列順序分析它：\d{1,3}匹配1到3位的數字，(\d{1,3}.){3}匹配三位數字加上一個英文句號(這個整體也就是這個分組)重復3次，最后再加上一個一到三位的數字(\d{1,3})。
反義
有時需要查找不屬于某個能簡單定義的字符類的字符。比如想查找除了數字以外，其它任意字符都行的情況，這時需要用到反義：
| 代碼/語法 | 說明 |
|---|---|
| \W | 匹配任意不是字母，數字，下劃線，漢字的字符 |
| \S | 匹配任意不是空白符的字符 |
| \D | 匹配任意非數字的字符 |
| \B | 匹配不是單詞開頭或結束的位置 |
| [^x] | 匹配除了x以外的任意字符 |
| [^aeiou] | 匹配除了aeiou這幾個字母以外的任意字符 |
表3.常用的反義代碼
| 代碼/語法 | 說明 |
|---|---|
| \W | 匹配任意不是字母，數字，下劃線，漢字的字符 |
| \S | 匹配任意不是空白符的字符 |
| \D | 匹配任意非數字的字符 |
| \B | 匹配不是單詞開頭或結束的位置 |
| [^x] | 匹配除了x以外的任意字符 |
| [^aeiou] | 匹配除了aeiou這幾個字母以外的任意字符 |
例子：\S+匹配不包含空白符的字符串。
<a[^>]+>匹配用尖括號括起來的以a開頭的字符串。
以上是一些基礎類正則表達式，高級進階還請看鏈接腫作者給的更詳細的示例。強烈推薦看開頭的鏈接網站，真的是30分鐘入門正則表達式~
linux中可以使用grep配合正則表達式抓取符合一定特征的字符。
k-mer簡介
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：
- 糾錯：出現少的k-mer可能是測序錯誤
- 分類：一些特殊的k-mer可能鑒定基因組
- 偽比對：新的偽比對軟件可以直接利用常見的k-mer來定位reads
k-mer計算要遠遠快于序列比對，因此可以加快比對效率。
序列比對
序列比對是生物信息學最為核心的概念。
在顯示序列比對結果時，-代表空缺，|代表匹配，.代表錯配。示例：
ATGCAAATGACAAATAC
|||| |||.||.|
ATGC---TGATAACT--
如果沒有特殊說明，一般是用下面的序列和上面的序列進行比對，上面的結果說明序列有5個堿基缺失和2個堿基錯配。
ATGC---TGATAACT--
|||| |||.||.|
ATGCAAATGACAAATAC
這種序列比對結果說明序列有5個插入堿基和2個錯配堿基。
序列比對結果與評分規則有很大關系。
常用堿基匹配評分規則 EDNAFULL scoring matrix。
curl -O ftp://ftp.ncbi.nlm.nih.gov/blast/matrices/NUC.4.4
cat NUC.4.4
序列比對評分分為堿基（基因）匹配規則和蛋白匹配評分規則兩種。
序列比對結果和匹配規則的選取有很大關系。如果要深入了解，建議閱讀更多的參考資料。我也需要再深入學習一下。
