Partie 2.2 : Notions sur les expressions régulières

Objectifs

• Notions de base sur les expressions régulières
• Initiation à sed

Les expressions de bases

Une expression régulière (en anglais Regular Expression) est une chaîne de caractères décrivant un ensemble de chaîne de caractères.

On appelle également une expression regulière “regex” ou “motif” (pattern en anglais).

De nombreux programmes utilisent les expressions régulières (par exemple sed, grep, vi, …) mais il est important de noter que leur syntaxe peut varier d’un programme à l’autre.

Le design d’expressions régulières peut rapidement s’avérer complexe et nécessite un savoir-faire certain.

Cette possibilité illustre cependant la puissance de l’environnement Unix pour spécifier des recherches et actions complexes en utilisant des lignes de commande concises.

Les expressions régulières vont se baser sur des caractères spéciaux ou métacaractères :

• . correspond à n’importe quel caractère
• * correspond à une répétition de 0 à n occurences (déconseillé)
• + correspond à une répétition de 1 à n occurences
• les caractères entre crochets ([ ]) correspondent à un ensemble de valeurs possibles (intervale ou explicites par exemple [A-D] est équivalent à [A,B,C,D]
• ^ indique une recherche d’un motif en début de ligne
• $ indique une recherche d’un motif en fin de ligne

Question : Rechercher tous les noms de gènes nommés dnaA, dnaB, dnaC et dnaD dans le fichier Escherichia_coli_str_k_12_substr_mg1655.ASM584v2.37.chromosome.Chromosome.gff3

Solution :

$ grep -e "dna[A-D]" Escherichia_coli_str_k_12_substr_mg1655.ASM584v2.37.chromosome.Chromosome.gff3 

Pour aller plus loin :

• Tutorial sur les expressions régulières : https://librarycarpentry.org/lc-data-intro/04-regular-expressions/
• Site pour tester une expression régulère : https://regex101.com

sed

sed (stream editor) est éditeur de texte non interactif permettant de filtrer et transformer les lignes du ou des fichier donnés en argument. La commande ne modifie pas le(s) fichier(s) traité(s)et écrit le résultat sur la sortie standard.
La commande sed est très utile car elle permet de réaliser des commandes complexes sur des gros fichiers en utilisant des expressions régulières.

Syntaxe : sed [expression] <fichier-a-traiter>

La partie expression peut contenir des fonctions de filtrage ou de transformation des lignes du fichier-a-traiter
Nous ne verrons ici que quelques cas d’utilisation très courants en bioinformatique.

Exemple 1 : Remplacer toutes les occurences d’une chaine de caractères dans un fichier

Remplaçons toutes les occurences de Chromosome par chr dans le fichier Escherichia_coli_str_k_12_substr_mg1655.ASM584v2.37.chromosome.Chromosome.gff3
Pour cela on utilise la fonction de subsitution s
sed 's/Chromosome/chr/g' Escherichia_coli_str_k_12_substr_mg1655.ASM584v2.37.chromosome.Chromosome.gff3 > Escherichia_coli_str_k_12_substr_mg1655.ASM584v2.37.chr.gff3

Exemple 2 : Supprimer toutes les occurences d’une chaine de caractères dans un fichier

Supprimons toutes les lignes contenant le nom oriC dans le fichier Escherichia_coli_str_k_12_substr_mg1655.ASM584v2.37.chromosome.Chromosome.gff3
Pour cela on utilise la fonction de suppression d
sed '/oriC/d' Escherichia_coli_str_k_12_substr_mg1655.ASM584v2.37.chromosome.Chromosome.gff3 > Escherichia_coli_str_k_12_substr_mg1655.ASM584v2.37.chromosome.Chromosome_wo_oriC.gff

Retour au sommaire