正規表現で配列データをパースする

このトピックを終えたら

Pythonのreモジュールでテキストからパターンを検索し、FASTAヘッダーから情報を抽出し、配列データを検証できるようになります。

正規表現が必要な場面

FASTAファイルのヘッダーを見てみましょう：

>sp|P04637|P53_HUMAN Cellular tumor antigen p53 OS=Homo sapiens OX=9606

この1行から「P04637」（UniProt ID）だけを抽出したいとします。split("|")で文字列を分割することもできますが、ヘッダー形式がファイルごとに異なると、毎回違うコードを書く必要があります。

**正規表現（Regular Expression、regex）**は「パターン」でテキストを検索します。「パイプ記号の間にある英数字」のようなパターンを定義すれば、どんな形式のヘッダーでも同じコードで抽出できます。

実験での例え — 特定の抗体が特定のエピトープ（パターン）に結合するように、正規表現はテキストの特定パターンに「結合」します。

Python reモジュールの基礎

import re

text = "EGFR expression: 12.5 ng/mL"

match = re.search(r"\d+\.\d+", text)
if match:
    value = float(match.group())
    print(f"数値: {value}")

assert value == 12.5

re.search(パターン, テキスト) — テキストからパターンに一致する最初の部分を見つけます。

主要パターン文字

パターンの前にrを付けるとraw stringになります（r"\d+"）。バックスラッシュ（\）がPython文字列のエスケープと衝突するのを防ぎます。正規表現では常にr"..."形式を使ってください。

実践：FASTAヘッダーのパース

import re

header = ">sp|P04637|P53_HUMAN Cellular tumor antigen p53 OS=Homo sapiens OX=9606"

uniprot_id = re.search(r"\|(\w+)\|", header)
if uniprot_id:
    print(f"UniProt ID: {uniprot_id.group(1)}")

organism = re.search(r"OS=(.+?) OX=", header)
if organism:
    print(f"Organism: {organism.group(1)}")

出力：

UniProt ID: P04637
Organism: Homo sapiens

() — 括弧で囲んだ部分がキャプチャグループです。group(1)で括弧内の内容だけを抽出します。

.+? — ?を付けると最小マッチ（lazy match）になります。できるだけ少なくマッチします。?なしの.+はできるだけ多くマッチする（greedy）ため、意図と異なる結果になることがあります。

実践：DNA配列からモチーフを探す

特定の制限酵素認識部位を配列からすべて見つけたい時：

import re

sequence = "ATCGAATTCGCGAATTCTTGAATTCAA"

# EcoRI認識部位: GAATTC
sites = [m.start() for m in re.finditer(r"GAATTC", sequence)]
print(f"EcoRI切断位置: {sites}")
print(f"切断部位数: {len(sites)}")

assert len(sites) == 3
assert sites == [4, 13, 20]

re.finditer()はすべてのマッチを繰り返し見つけます。re.search()は最初の1つだけですが、finditer()は全部見つけます。

実践：配列の検証

入力された配列が有効なDNA配列かどうかを検証します：

import re

def is_valid_dna(seq: str) -> bool:
    return bool(re.fullmatch(r"[ATGCatgc]+", seq))

print(is_valid_dna("ATGCGATCGA"))
print(is_valid_dna("ATGXYZ"))
print(is_valid_dna(""))

assert is_valid_dna("ATGCGATCGA") == True
assert is_valid_dna("ATGXYZ") == False
assert is_valid_dna("") == False

re.fullmatch() — 文字列全体がパターンと一致する必要があります。re.search()と違い、部分マッチは許可されません。

reモジュール主要関数一覧

やってみよう（Faded Example）

空欄を埋めて、FASTAヘッダーから遺伝子名を抽出するコードを完成させてください。

import 
header = ">gene_BRCA1 | Homo sapiens | chromosome 17"
match = re.(r"gene_(\w+)", header)
if match:
  gene_name = match.group()
  print(f"遺伝子: {gene_name}")

よくあるエラーと解決法

Q: パターンは合っているのにNoneが返されます

大文字・小文字を確認してください。re.search(r"gaattc", "GAATTC")はマッチしません。大文字・小文字を無視するにはre.IGNORECASEフラグを追加してください：re.search(r"gaattc", "GAATTC", re.IGNORECASE)

Q: \dが動作しません

文字列の前にrを付けたか確認してください。"\d"はPythonが\dをエスケープシーケンスとして解釈しようとします。r"\d"にすればraw stringとして処理され、正規表現エンジンにそのまま渡されます。

Q: 正規表現が複雑すぎます。必ず使わなければなりませんか？

簡単な場合はin、startswith()、split()などの文字列メソッドの方が読みやすいです。正規表現はパターンが複雑な場合や、複数の形式を一度に処理する必要がある時に力を発揮します。「Ctrl+Fではできない検索」が必要なら、正規表現を使いましょう。