我正在尝试编写能识别DNA序列中开放阅读框的代码。 ORF定义为以ATG开始并以终止密码子TAG，TAA或TGA结束的序列的一部分。我使用了一个预测表达式来查找重叠序列。但是，我只想要打印最长的字符串。
(?=(ATG(?:[ATGC]{3}){%d,}?(?:TAG|TAA|TGA)))' % (aa)
答案 0 :(得分：1)
只需删除前瞻。匹配将使用文本，并禁止匹配的文本再次匹配（这会产生额外的不需要的结果）。
'(ATG(?:[ATGC]{3}){%d,}?(?:TAG|TAA|TGA))' % (aa)
我假设你的要求是找到所有序列，除了那些以相同索引结尾但比现有序列短的序列。
请注意，当ATG距离末端密码子太近时，您当前的正则表达式仍然会允许无效序列匹配。您仍然需要使用否定预测来防止无效序列。然后不再需要 lazy 量词。
'(?=(ATG(?:(?!TAG|TAA|TGA)[ATGC]{3}){%d,}(?:TAG|TAA|TGA)))' % (aa)
然后，您可以对所有匹配进行后期处理，并过滤掉不需要的匹配项。您应该使用相应的开始和结束索引记录所有匹配项。按结束索引对匹配进行排序，对于每个结束索引，只保留匹配的最小起始索引。
可以通过首先反转序列并迭代以下正则表达式的匹配来实现：
'(?=((?:GAT|AAT|AGT)(?:(?!GAT|AAT|AGT)[ATGC]{3}){%d,}GTA))' % (aa)
正则表达式使用负向预测来确保序列中没有末端密码子，并使量词变得贪婪以获得最长的实例。
该效果不能与序列的正常顺序复制。由于您需要结束密码子的索引是唯一的，因此我利用每个索引只能有一个匹配来强制执行该条件的事实。无法使用re模块中的支持级别强制执行唯一的结束位置。
如果使用regex模块，则无需反转字符串。您只需设置REVERSE标志即可使用与上述相同的正则表达式进行反向搜索（未经测试）。