regex - 使用正则表达式在核苷酸序列中找到许多匹配项

Question

我有一些基因序列（见下文），我想找到所有开放阅读框（以 ATG 开始并停止 TAG）。

我试过这个：

my $file = ('ACCCTGCCCAAAATCCCCCCGATCGATAGAGCTAAATGGCCCATGATGCATCGACTAGCTAGCTAAAATGTCGATCGATACAGCTAATAG');

while($file =~ /(ATG\w+?TAG)/g){
    print $1;           
} 

但它只给

ATGGCCCATGATGCATCGACTAGATGTCGATCGATACAGCTAATAG

我怎样才能得到每一个？

Answer 1

找到所有出现的技巧是使用零宽度断言，这将防止“吃掉”我们的角色：(?=ATG\w+?TAG).

这样做的问题是我们会得到空匹配，所以解决方案是使用 group:
(?=(ATG\w+?TAG))。您会发现第 1 组中的所有事件。

第 1 组输出：

ATGGCCCATGATGCATCGACTAG
ATGATGCATCGACTAG
ATGCATCGACTAG
ATGTCGATCGATACAGCTAATAG

Online demo

Answer 2

结果还可以，只需在输出中将它们分开即可：

print "$1\n";

Answer 3

你得到两场比赛。要查看它们，我建议您在它们之间打印一些分隔符：

print "$1\n";

然后我们得到输出：

ATGGCCCATGATGCATCGACTAG
ATGTCGATCGATACAGCTAATAG

如果您想查找也出现在另一个帧中的帧，那么您必须确保不要消耗太多字符。通过 looahead 解决这个问题：

/ATG(?=([ACTG]*+TAG))/g;

然后print "ATG$1\n"，输出：

ATGGCCCATGATGCATCGACTAG
ATGATGCATCGACTAG
ATGCATCGACTAG
ATGTCGATCGATACAGCTAATAG

Answer 4

如果您想在同一帧中包含起始密码子和终止密码子，请不要忘记将结果过滤为长度为 3 的唯一密码子：

print "ATG$1\n" if (length($1)%3) == 0 ;

如果您想检查一个序列中可用的六个帧，请不要忘记检查互补链：

$comp_chain = reverse($chain) ;
$comp_chain =~ tr/ATCG/TAGC/ ;

然后，您将从单个序列中可用的六个阅读框中获得开放阅读框。