使用正则表达式搜索直到所需的模式答案

【问题标题】：Using regex to search until desired pattern使用正则表达式搜索直到所需的模式
【发布时间】：2013-09-11 02:54:19
【问题描述】：

我正在使用以下正则表达式：

orfre = '^(?:...)*?((ATG)(...){%d,}?(?=(TAG|TAA|TGA)))' % (aa)

我基本上想找到所有以 ATG 开头的序列，然后是三联体（例如 TTA、TTC、GTC 等），直到它在框架中找到一个终止密码子。但是，正如我的正则表达式所写的那样，如果 aa 很大，它实际上不会停在终止密码子处。相反，它将继续搜索，直到找到满足 aa 条件的一个。我宁愿让它搜索整个字符串，直到找到终止密码子。如果匹配不够长（对于给定的 aa 参数），那么它应该返回 None。

字符串数据： AAAATGATGCATTAACCCTAATAA

正则表达式的期望输出： ATGATGCATTAA

除非 aa > 5，在这种情况下不应返回任何内容。

我得到的实际输出：ATGATGCATTAACCCTAA

【问题讨论】：

在此处提供您的字符串数据。
@hwnd，好的，我编辑了 q。
尝试以下(ATG)([ACGT]{3})*?(TAG|TAA|TGA)或(ATG)((?!TAG|TAA|TGA)[ACGT]{3})+(TAG|TAA|TGA)之一
@hwnd 可以工作，除了正则表达式包含在指定最小氨基酸数量的函数中
前几天有人问过这个问题，但是被删了。这个会怎么样？

标签： python regex bioinformatics

【解决方案1】：

这应该可以解决问题。 You can see it on codepad.

import re

num = 4
blue = 'XXXAAAATGATGCATTAACCCTAATAAXXX'
pattern = "^(?:...)*(ATG(...){%d}(?:TAG|TAA|TGA))" % num

m = re.match(pattern, blue)
print m.group(1)

哪个输出：ATGCATTAACCCTAATAA

分解：

^
(?:...)*           - Find, but don't capture any number of triplets.
(                  - Begin our capture block
  ATG              - A literal string of 'ATG', no need to wrap.
  (...)*           - Any number of triplets
  (?:TAG|TAA|TGA)  - A non capturing block of either 'TAG', 'TAA' or 'TGA'
)                  - End the capture block.

除非我遗漏了一些其他要求，否则不需要比这复杂得多。

【讨论】：

【解决方案2】：

补充说明：如果你想检查一个序列中可用的六个帧，不要忘记检查互补链：

comp_chain = chain[::-1]

(--> extended slices)

将后面的 A 音译为 T，将 G 音译为 C。

【讨论】：