Question

所以，我正在用一种酶（为了你的好奇心，Asp-N）消化蛋白质序列，它在单字母编码序列中由B或D编码的蛋白质之前切割。我的实际分析使用String#scan进行捕获。我试图弄清楚为什么以下正则表达式不能正确消化它......

(\w*?)(?=[BD])|(.*\b)

其中存在先行词(.*\b)以捕获序列的结尾。为：

MTMDKPSQYDKIEAELQDICNDVLELLDSKGDYFRYLSEVASGDN

这应该是这样的：[MTM, DKPSQY, DKIEAELQ, DICN, DVLELL, DSKG, ... ]但是错过了序列中的每个D.

我一直在使用http://www.rubular.com进行故障排除，它运行在1.8.7上，虽然我也在1.9.2上测试了这个REGEX但无济于事。据我所知，在两个版本的ruby中都支持零宽度前瞻断言。我的正则表达式做错了什么？

Answer 1

基本上，你想在每个B或D之前剪掉字符串吗？

"...".split(/(?=[BD])/)

给你

["MTM", "DKPSQY", "DKIEAELQ", "DICN", "DVLELL", "DSKG", "DYFRYLSEVASG", "DN"]

Answer 2

支持这一点的最简单方法是拆分零宽度前瞻：

s = "MTMDKPSQYDKIEAELQDICNDVLELLDSKG"
p s.split /(?=[BD])/
#=> ["MTM", "DKPSQY", "DKIEAELQ", "DICN", "DVLELL", "DSKG"]

要了解您的解决方案出了什么问题，让我们首先看一下你的正则表达式与一个有效的正则表达式：

p s.scan(/.*?(?=[BD]|$)/)
#=> ["MTM", "", "KPSQY", "", "KIEAELQ", "", "ICN", "", "VLELL", "", "SKG", ""]

p s.scan(/.+?(?=[BD]|$)/)
#=> ["MTM", "DKPSQY", "DKIEAELQ", "DICN", "DVLELL", "DSKG"]

问题在于，如果您可以捕获零个字符并仍然匹配零宽度前瞻，则无需推进扫描指针即可成功。让我们看一个更简单但相似的测试用例：

s = "abcd"
p s.scan //      # Match any position, without advancing
#=> ["", "", "", "", ""]

p s.scan /(?=.)/ # Anywhere that is followed by a character, without advancing
#=> ["", "", "", ""]

String#scan的简单实现可能会陷入无限循环，在第一个字符之前重复与指针匹配。看来，一旦匹配发生而没有推进指针，算法强制将指针前进一个字符。这解释了您的案例中的结果：

首先，它匹配所有字符，直到B或D，
然后它匹配B或D之前的零宽度位置，而不移动字符指针
结果算法将指针移过B或D，然后继续。

正则表达式蛋白质消化

2 个答案: