Question

我需要创建一个匹配的正则表达式来查找遗传序列，但遇到一个特定问题-首先，启动密码子ATG，也跟随来自三个核苷酸的其他密码子，并且正则表达式以三个可能的密码子结尾TAA，TAG和TGA。如果终止密码子位于起始密码子{ATG之后，该怎么办？当起始密码子和终止密码子之间存在中间密码子时，我当前的正则表达式将起作用，但是如果没有中间密码子，则正则表达式将匹配起始密码子后的所有序列。我知道为什么会这样做，但是我不知道如何将其更改为我想要的方式。

我的正则表达式应查找AGGAGG（正是这种模式），然后查找A，C，G或T（从4到12倍）然后是ATG（正是这种模式），然后是A，C，G或T（三元组（例如ACG，{ {1}}等），无论多长时间，直到它与TGC，TAA或TAG匹配为止。搜索应在此之后结束，然后再开始。

匹配的示例：

TGA

序列中有两个匹配项-从0到25，从28到44。

我当前的正则表达式（不要介意前两个括号）

XXXXXXXXXXXXXXXXXXXXXXXXX   XXXXXXXXXXXXXXXX
AGGAGGTATGATGCGTACGGGCTAGTAGAGGAGGTATGATGTAGTAGCATGCT

Answer 1

问题出在贪婪量词的默认用法。

使用(AGGAGG)([ACGT]{4,12})(ATG)([ACTG]{3})*(TAA|TAG|TGA)时，第4组([ACTG]{3})*将尽可能匹配，然后仅考虑第5组（如果需要，则回溯）。
按照您的顺序，您得到TAGTAG。贪婪的量词将导致第一个TAG被捕获到第4组中，第二个被捕获为结束组。

您可以改用惰性量词：(AGGAGG)([ACGT]{4,12})(ATG)([ACTG]{3})*?(TAA|TAG|TGA)（注意添加的问号，使量词变得懒惰）。
这样，首先遇到的TAG将被视为结束组。

Demo。

Answer 2

根据您提供的模式，您可能会有重叠的匹配项。以下内容将找到所有匹配项，包括重叠的匹配项：

local our @matches;
$seq =~ /
   (
   ( AGGAGG )
   ( [ACGT]{4,12} )
   ( ATG )
   ( (?: (?! TAA|TAG|TGA ) [ACTG]{3} )* )
   ( TAA|TAG|TGA )
   )
   (?{ push @matches, [ $-[1], $1, $2, $3, $4, $5, $6 ] })
   (?!)
/xg;

Answer 3

Perl必需的正则表达式功能，而不是像grep这样的普通正则表达式，是懒惰的量词：跟随*或+量词。它匹配*（+）标记之前的字符的零（一）个或多个出现，是尽可能短的glob匹配

$seq =~ /((AGGAGG)([ACGT]{4,12})(ATG)([ACGT]{3})*?(TAA|TAG|TGA))/igx

正则表达式仅在不匹配其他模式时才匹配特定模式

3 个答案: