Question

在真核生物中，剪接的mRNA具有三个关键特性：

mRNA以起始密码子（ATG）开头
mRNA的编码部分以三个终止密码子（TAA / TAG / TGA）之一结尾
在终止密码子之后立即有一个“ poly（A）尾巴”。 poly（A）尾部是转录后连接到编码序列3'末端的许多腺嘌呤（A's）的序列。实际上，poly（A）尾部可能有数百个A，但是通常mRNA / cDNA的末端未完全测序，因此终止密码子后可能只有5个A。

因此，基本上，mRNA序列应以ATG开头，然后是任意数量的As，Cs，Ts或Gs，然后是TAA或TAG或TGA，然后是5个或更多的As。

我的（python）正则表达式是这样的：^ATG[ATCG]*T(AA|AG|GA)A{5}A*$

但是，这是匹配序列，在poly（A）尾部之后还有其他字符，好像没有识别$字符。我在做什么错了？

有效示例：

ATGCTGATGATGATGATAGAAAAA
ATGTGAAAAAAAAAAAAAAAAAAAAAAAAAAAAA

无效示例：

ATGCTGATGXTGATGATAGAAAAA
TATGCTGATGXTGATGATAGAAAAA
ATGTGAAAAAAAAAAAAAAAAAAAAAAAAAAAAAC

编辑（我的完整代码）：

file = open('potential_mRNA.fasta')
alignment = SeqIO.parse(file, 'fasta')
mRNA_seqs = []
mRNA_pattern = r'^ATG[ATCG]*T(AA|AG|GA)A{5}A*$'
for mrna in alignment:
    sequence = str(mrna.seq)
    if re.search(mRNA_pattern, sequence):
        mRNA_seqs.append(sequence)

Answer 1

之所以这样工作是因为第一个*很贪婪，它会尝试尽可能匹配，匹配所有后缀，而regex解析器永远不会超出解析[ATCG]的范围。

$应该可以如您期望的那样工作，因此您的正则表达式对于您的任务是完全有效的，也许有些未知的条件我无法通过您的问题看到。

尝试^ATG[ATCG]*?T(?:AA|AG|GA)A{5,}$

我使用了懒惰的*?而不是*，还使用了一个非捕获组(?:)和A{5,}而不是A{5}A*来进行优化。

正则表达式以匹配mRNA序列

1 个答案: