正则表达式匹配 mRNA 序列答案

【问题标题】：Regex to Match mRNA Sequences正则表达式匹配 mRNA 序列
【发布时间】：2019-02-28 17:21:10
【问题描述】：

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之一 (TAA/TAG/TGA) 结束
在终止密码子之后立即有一个“poly(A) 尾”。多聚 (A) 尾是一连串在转录后连接到编码序列 3' 末端的腺嘌呤 (A's)。实际上，poly(A) 尾可能有数百个 A，但通常 mRNA/cDNA 的末端没有完全测序，因此终止密码子后面可能只有 5 个 A。

所以基本上，一个 mRNA 序列应该以 ATG 开头，后跟任意数量的 As、Cs、Ts 或 Gs，然后是 TAA 或 TAG 或 TGA，然后是 5 个或更多 As。

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

但是，这是匹配在 poly(A) 尾部后有更多字符的序列，就好像 $ 字符没有被识别一样。我做错了什么？

有效例子：

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)

【问题讨论】：

请提供示例字符串（有效/无效）。也许解析器会是更好的选择。
感谢您的评论！这是一个家庭作业，所以我需要使用正则表达式。就示例字符串而言，创建简单案例或包含我正在处理的实际序列会更好吗？只是因为它们很长（约 2000 个字符）。
可能问题出在字符串中重复的 TAA/TAG/TGA 上？试试^ATG(?:(?!T(?:AA|AG|GA))[ATCG])*T(?:AA|AG|GA)A{5,}$
@Sian 一个简单的案例更好
你的正则表达式很好 - regex101.com/r/Q6jSrN/1

标签： python regex jupyter-notebook bioinformatics

【解决方案1】：

之所以如此，是因为第一个 * 是贪婪的，并且会尝试尽可能多地匹配，匹配您的所有后缀，并且正则表达式解析器永远不会超出解析 [ATCG] 的范围。

但是，$ 应该使它像您期望的那样工作，因此您的正则表达式对您的任务完全有效，也许有一些未知的条件我在您的问题中看不到。

试试^ATG[ATCG]*?T(?:AA|AG|GA)A{5,}$

我使用惰性*? 代替*，以及一个非捕获组(?:) 和A{5,} 代替A{5}A* 只是为了优化。

【讨论】：