使用regex (简易)查找括号缩略词的完整形式

Question

我正在试图找到完整形式的缩略语，这些缩略语已在文本中使用括号指定。以下是一个例子-

异常DNA甲基化是癌症的主要表观基因改变之一，已被报道在结直肠癌的一个子集中积累，即所谓的CpG岛甲基化表型(CIMP)，该表型与微卫星减少不稳定性(MSI)-high CRC有关。

在这里，我希望能够形成一个短形式/全形式事件的列表，如-

CRC -大肠癌 CIMP - CpG岛甲基化表型 微卫星不稳定..。

问题是，我已经能够使用re.findall('(\(.*?\))', s)找到所有括号大小的实体，但是很难找到相应的完整形式。假设所有这样的完整形式都在括号的左边，我可以使用单词边界来查找，比如括号前面的4个单词。但是为了找到正确的缩略词的完整形式，我想使用以下两个条件-

• 字数不超过3+|SF|，在这里，x SF_x是短格式中的字符数(微卫星约化不稳定性，这里全形有4个字，而短形有3个字符)。
• 完整形式的第一个单词以短格式的第一个字符开始(例如。直肠癌( colorectal (crc))

根据我目前对regex的理解，我无法编写一个正则表达式来解决上述两个条件，并在文本中找到所有这样的情况。你能给我一些建议吗？

Answer 1

正如我刚才所说，在某些情况下，这可能是不准确的。你很可能需要对结果进行校对以保证准确性。

我建议用几个雷克斯。以下是您需要采取的步骤：

1. 把缩略语记下来。你已经开始用你的第一个正则表达式了。
2. 找出缩略语中有多少字母。
3. 构造并运行此regex：((?:\w+\W+){1, (缩写长度+3) })\(缩略词\)。例如，((?:\w+\W+){1,6})\(CRC\)。 此步骤获取括号内缩略词的范围内的所有单词(“不超过3+|SF|")。
4. 在前面的步骤中，对第1组中的单词构建并运行这个正则表达式：\b (首字母缩写) .*。例如，CRC的\bC.*。您将希望在这里使用不区分大小写的匹配。 这样可以在范围内找到以给定字母开头的第一个单词；这样，您可以在首字母之前找到额外的单词。

请注意，我使用的是regex定义的“word”，这意味着[a-zA-Z0-9_]由\w匹配(除非您处于Unicode模式，当它与[\p{L}\p{N}_]匹配时)。您可能希望更改\w和\W (如果第一个单词可以直接出现在连字符之后，也可以更改\b )。