java - 正则表达式：提取 2 个标记之间的 DNA 信息

Question

我正在尝试从文件中提取一些 DNA 信息。由碱基 GCAT 组成的 DNA 数据之前是单词ORIGIN，之后是//. 如何编写正则表达式来获取这些标记之间的这些碱基？

我尝试了以下方法，但它不起作用。

[ORIGIN(GCATgcat)////]

样本数据：

ORIGIN      
  1 acagatgaag acagatgaag acagatgaag acagatgaag
  2 acagatgaag acagatgaag acagatgaag acagatgaag
//

Answer 1

试试这个模式“ \\b([GCATgcat]+)\\b”，它匹配由单词边界包围的任何 GCAT 字符序列（大写或小写）（因此它不会匹配嵌入在其他字符串中的那些字符，例如单词“catalog”）。如果您在示例文件中反复扫描此正则表达式，您将提取每个序列。

这是您的示例文件的一个工作示例：

// Locate the substring between "ORIGIN" and "//" in the file.
String fileContents = getSampleFileContents();
int indexOfOrigin = fileContents.indexOf("ORIGIN");
String pertinentSection = fileContents.substring(
    indexOfOrigin, fileContents.indexOf("//", indexOfOrigin));

// Search for sequences within the pertinent substring.
Pattern p = Pattern.compile("\\b([GCATgcat]+)\\b");
Matcher m = p.matcher(pertinentSection);
List<String> sequences = new ArrayList<String>();
while (m.find()) {
  sequences.add(m.group(1));
}
sequences.toString(); // => ["acagatgaag", "acagatgaag", ..., "acagatgaag"]

Answer 2

对于我们所有不是正则表达式超级向导的人，我建议采用两步法。删除明显的瑕疵，例如数字和换行符，然后进行匹配。例如

public class Regex {

   static String NL = "\n";
   static String INPUT = "stuff at beginning ORIGIN" + NL + 
   "1 acagatgaag acagatgaag acagatgaag acagatgaag" + NL + NL + 
   "2 acagatgaag acagatgaag acagatgaag acagatgaag" + NL + 
   "// I added stuff here at the end that should be ignored";

   public static void main(String[] args) {
       Pattern removePattern = Pattern.compile("[\\r\\n \\t\\d]+");
       Pattern findPattern = Pattern.compile("ORIGIN[GCATgcat]+//");

       Matcher removeMatcher = removePattern.matcher(INPUT);
       String clean = removeMatcher.replaceAll("");

      Matcher findMatcher = findPattern.matcher(clean);
      if ( findMatcher.find()) {
         System.out.println(findMatcher.group());
      }
   }
}