当给出一串字母A,C,G或T时,我被分配了一个问题来找到基因,如ATGCTCTCTTGATTTTTTTATGTGTAGCCATGCACACACACATAAGA.基因以ATG开始,以TAA,TAG或TGA结束(该基因不包括两个端点).该基因由三个字母组成,因此其长度是三的倍数,并且这些三元组中没有一个可以是上面列出的起始/结束三元组.因此,对于其中基因的字符串是CTCTCT和CACACACACACA.事实上,我的正则表达式适用于该特定字符串.这就是我到目前为止所做的事情(我很高兴自己得到了这么多)：
- (?<=ATG)(([ACGT]{3}(?<!ATG))+?)(?=TAG|TAA|TGA)
但是,如果在另一个结果中存在ATG和end-triplet,并且未与该结果的三元组对齐,则它将失败.例如：
- Results for TCGAATGTTGCTTATTGTTTTGAATGGGGTAGGATGACCTGCTAATTGGGGGGGGGG :
- TTGCTTATTGTTTTGAATGGGGTAGGA
- ACCTGC
它也应该找到一个GGG,但不会：TTGCTTATTGTTTTGA(ATG | GGG | TAG)GA
我一般都是正则表达式的新手而且有点卡住……只是一点点暗示会很棒！
解决方法
这是一个可能的正则表达式：
- (?=(ATG((?!ATG)[ATGC]{3})*(TAA|TAG|TGA)))
一个小试验台：
- public class Main {
- public static void main(String[]args) {
- String source = "TCGAATGTTGCTTATTGTTTTGAATGGGGTAGGATGACCTGCTAATTGGGGGGGGGGATGATGTAG";
- Matcher m = Pattern.compile("(?=(ATG((?!ATG)[ATGC]{3})*(TAA|TAG|TGA)))").matcher(source);
- System.out.println("source : "+source+"\nmatches:");
- while(m.find()) {
- System.out.print(" ");
- for(int i = 0; i < m.start(); i++) {
- System.out.print(" ");
- }
- System.out.println(m.group(1));
- }
- }
- }
产生：
- source : TCGAATGTTGCTTATTGTTTTGAATGGGGTAGGATGACCTGCTAATTGGGGGGGGGGATGATGTAG
- matches:
- ATGTTGCTTATTGTTTTGAATGGGGTAGGATGACCTGCTAATTGGGGGGGGGGATGA
- ATGGGGTAG
- ATGACCTGCTAA
- ATGTAG
