Java Regex用于基因组拼图

发布时间：2020-12-15 03:00:51 所属栏目：Java 来源：网络整理

导读：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

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

（编辑：李大同）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!