Question

我有一些基因序列（见下文），我想找到所有开放阅读框（从ATG开始并停止TAG）。

我试过这个：

my $file = ('ACCCTGCCCAAAATCCCCCCGATCGATAGAGCTAAATGGCCCATGATGCATCGACTAGCTAGCTAAAATGTCGATCGATACAGCTAATAG');

while($file =~ /(ATG\w+?TAG)/g){
    print $1;           
}

但它只给出了

ATGGCCCATGATGCATCGACTAGATGTCGATCGATACAGCTAATAG

我怎样才能得到每一个人？

Answer 1

结果没问题，只需将它们分开输出：

print "$1\n";

Answer 2

你得到两场比赛。为了看到它们，我建议你在它们之间打印一些分隔符：

print "$1\n";

然后我们得到输出：

ATGGCCCATGATGCATCGACTAG
ATGTCGATCGATACAGCTAATAG

如果要查找也出现在另一个内部的帧，则必须确保不要消耗太多字符。通过looahead解决这个问题：

/ATG(?=([ACTG]*+TAG))/g;

然后print "ATG$1\n"，输出：

ATGGCCCATGATGCATCGACTAG
ATGATGCATCGACTAG
ATGCATCGACTAG
ATGTCGATCGATACAGCTAATAG

Answer 3

找到所有出现的诀窍是使用零宽度断言，这将阻止我们的字符“吃掉”：(?=ATG\w+?TAG)。

这个问题是我们会得到空匹配，所以解决方案就是使用一个组：
(?=(ATG\w+?TAG))。您将在第1组中找到所有出现的情况。

第1组输出：

ATGGCCCATGATGCATCGACTAG
ATGATGCATCGACTAG
ATGCATCGACTAG
ATGTCGATCGATACAGCTAATAG

Online demo

Answer 4

如果你想在同一帧中设置起始和终止密码子，不要忘记将结果过滤到长度倍数为3的唯一密码：

print "ATG$1\n" if (length($1)%3) == 0 ;

如果您想检查一个序列中的六个帧，请不要忘记检查互补链：

$comp_chain = reverse($chain) ;
$comp_chain =~ tr/ATCG/TAGC/ ;

然后，您将从单个序列中的六个阅读框中获得开放阅读框。

用正则表达式找到核苷酸序列中的许多匹配

4 个答案: