Question

以下脚本用于在蛋白质序列中找到一个基序。

use strict;
use warnings;

my @file_data=();
my $protein_seq='';
my $h= '[VLIM]';   
my $s= '[AG]';
my $x= '[ARNDCEQGHILKMFPSTWYV]';
my $regexp = "($h){4}D($x){4}D"; #motif to be searched is hhhhDxxxxD
my @locations=();

@file_data= get_file_data("seq.txt");

$protein_seq= extract_sequence(@file_data); 

#searching for a motif hhhhDxxxxD in each protein sequence in the give file

foreach my $line(@file_data){
    if ($motif=~ /$regexp/){
        print "found motif \n\n";
      } else {
        print "not found \n\n";
    }
}
#recording the location/position of motif to be outputed

@locations= match_position($regexp,$seq);
if (@locations){ 
    print "Searching for motifs $regexp \n";
    print "Catalytic site is at location:\n";
  } else {
    print "motif not found \n\n";
}
exit;

sub get_file_data{
    my ($filename)=@_;
    use strict;
    use warnings;
    my $sequence='';

    foreach my $line(@fasta_file_data){
        if ($line=~ /^\s*(#.*)?|^>/{
            next;
          } 
        else {
            $sequence.=$line;
        }
    }
    $sequence=~ s/\s//g;
    return $sequence;
}

sub(match_positions) {
    my ($regexp, $sequence)=@_;
    use strict;
    my @position=();
    while ($sequence=~ /$regexp/ig){
        push (@position, $-[0]);
    }
    return @position;
}

我不知道如何在含有蛋白质序列的给定文件中找到多个基序（固定顺序，即motif1，motif2，motif3）。

Answer 1

您可以简单地使用序列的替换（由|分隔）。这样，正则表达式引擎的每个序列都可以匹配它。

/($h{4}D$x{4}D|$x{1,4}A{1,2}$s{2})/

然后，您可以通过查看$1来测试此匹配。

Answer 2

如果你想按特定的顺序找到这些图案，但也许有点分开，你可以使用类似的东西：

/$h{4}D$x{4}D .* $s{4}D$q{4}/x

（/ x允许正则表达式中的空格，。*匹配零个或多个字符）

Answer 3

你正在寻找子串吗？如果是这样的话，几个正则表达式可能会让你到达你需要去的地方。但这些问题往往会迅速升级，很可能是在下周的问题集中。如果是后者，你需要进行比较，你可能需要开始研究动态对齐算法，最小编辑距离，维特比对齐，hmms等。

另外，如果您正在处理大型输入文件，您可能会考虑预先编译正则表达式以获得更好的速度提升，

perl pre-compiled regexes

如何在蛋白质序列（字符串）中找到多个基序（子串）？

3 个答案: