Question

当连续给出一串字母A，C，G或T时，我被分配了一个问题来找到基因，如ATGCTCTCTTGATTTTTTTATGTGTAGCCATGCACACACACATAAGA。基因以ATG开始，以TAA，TAG或TGA结束（该基因不包括两个端点）。该基因由三个字母组成，因此其长度是三的倍数，并且这些三元组中没有一个可以是上面列出的起点/终点三元组。因此，对于其中基因的字符串是CTCTCT和CACACACACACA。事实上，我的正则表达式适用于该特定字符串。这就是我到目前为止所做的事情（我对自己很满意，我得到了这么多）：

(?<=ATG)(([ACGT]{3}(?<!ATG))+?)(?=TAG|TAA|TGA)

但是，如果在另一个结果中存在ATG和end-triplet，并且未与该结果的三元组对齐，则会失败。例如：

Results for TCGAATGTTGCTTATTGTTTTGAATGGGGTAGGATGACCTGCTAATTGGGGGGGGGG :
TTGCTTATTGTTTTGAATGGGGTAGGA
ACCTGC

它也应该找到一个GGG但不会：TTGCTTATTGTTTTGA（ATG | GGG | TAG）GA

我一般都是正则表达式的新手，有点卡住......只是一点点暗示会很棒！

Answer 1

问题是正则表达式会消耗它匹配的字符，然后不再使用它们。

您可以使用零宽度匹配来解决此问题（在这种情况下，您只能获得匹配的索引，而不是匹配的字符）。

或者，您可以使用三个相似的正则表达式，但每个使用不同的偏移量：

(?=(.{3})+$)(?<=ATG)(([ACGT]{3}(?<!ATG))+?)(?=TAG|TAA|TGA)
(?=(.{3})+.$)(?<=ATG)(([ACGT]{3}(?<!ATG))+?)(?=TAG|TAA|TGA)
(?=(.{3})+..$)(?<=ATG)(([ACGT]{3}(?<!ATG))+?)(?=TAG|TAA|TGA)

您可能还想考虑使用不涉及正则表达式的不同方法，因为上述正则表达式会很慢。

Answer 2

像这样的问题是你可以慢慢建立一个正则规则，按规则统治，直到你有一些工作。

然后你的要求发生变化，你必须重新开始，因为对于凡人而言，几乎不可能轻易地对复杂的正则表达式进行逆向工程。

就个人而言，我宁愿采用'老式'方式 - 使用字符串操作。每个阶段都可以轻松评论，如果要求略有变化，您可以调整特定阶段。

Answer 3

这是一个可能的正则表达式：

(?=(ATG((?!ATG)[ATGC]{3})*(TAA|TAG|TGA)))

一个小试验台：

public class Main {
    public static void main(String[]args) {
        String source = "TCGAATGTTGCTTATTGTTTTGAATGGGGTAGGATGACCTGCTAATTGGGGGGGGGGATGATGTAG";
        Matcher m = Pattern.compile("(?=(ATG((?!ATG)[ATGC]{3})*(TAA|TAG|TGA)))").matcher(source);
        System.out.println("source : "+source+"\nmatches:");
        while(m.find()) {
            System.out.print("         ");
            for(int i = 0; i < m.start(); i++) {
                System.out.print(" ");
            }
            System.out.println(m.group(1));
        }
    }
}

产生：

source : TCGAATGTTGCTTATTGTTTTGAATGGGGTAGGATGACCTGCTAATTGGGGGGGGGGATGATGTAG
matches:
             ATGTTGCTTATTGTTTTGAATGGGGTAGGATGACCTGCTAATTGGGGGGGGGGATGA
                                ATGGGGTAG
                                          ATGACCTGCTAA
                                                                     ATGTAG

Answer 4

也许您应该尝试使用其他方法，例如使用索引。类似的东西：

public static final String genome="ATGCTCTCTTGATTTTTTTATGTGTAGCCATGCACACACACACATAAGA";
public static final String start_codon = "ATG";
public final static String[] end_codons = {"TAA","TAG","TGA"};

public static void main(String[] args) {
    List<Integer>start_indexes = new ArrayList<Integer>();
    int curIndex = genome.indexOf(start_codon);
        while(curIndex!=-1){
            start_indexes.add(curIndex);
            curIndex = genome.indexOf(start_codon,curIndex+1);
        }
}

对其他密码子执行相同操作，并查看索引是否与三元组规则匹配。顺便问一下，你确定一个基因排除了起始密码子吗？（某些ATG可以在基因中找到）

Java Regex用于基因组拼图

4 个答案: