Python 正则表达式 : How to repeat a repeat of a pattern?

Question

我正在查看一长串 DNA 核苷酸，并正在寻找以起始代码“AAA”开头并以终止代码“CCC”结尾的序列。由于核苷酸以三联体形式出现，因此我找到的每个序列开始和结束之间的核苷酸数必须是三的倍数。

例如，'AAAGGGCCC' 是一个有效序列，但 'AAAGCCC' 不是。

此外，在每个终止码之前，我想要关于特定阅读框的最长链。

例如，如果 DNA 是“AAAGGGAAACCC”，那么“AAAGGGAAACCC”和“AAACCC”在技术上都是有效的，但由于它们共享相同的终止码实例，我只想要最长的 DNA 链“AAAGGGAAACCC” '.另外，如果我的链是 'AAAAGGCCCCC'，我必须返回 'AAAAGGCCC' 和 'AAAGGCCCC'，因为它们在不同的阅读框架中(一个阅读框架是 mod 3，另一个是 mod 1。)

虽然我认为我有代码来搜索满足 3 的倍数要求且不重叠的字符串，但我不确定如何实现保持相同阅读框架的第二个标准。我下面的代码将只返回不重叠的最长字符串，但不区分阅读框架，因此在上面的示例中它会捕获 'AAAAGGCCC' 而不是 'AAAGGCCCC':

match = re.finditer(r"AAA\w{3}{%d}BBB$"% (minNucleotide-6, math.ceil((minNucleotide-6)/3))

抱歉啰嗦了，感谢您的观看!

Answer 1

使用 positive lookahead assertion .这允许您在字符串中的每个字符处重新应用正则表达式，从而可以找到所有重叠的匹配项，因为先行断言不会像普通匹配那样消耗任何字符。由于您仍然需要匹配一些实际文本，您可以使用 capturing group为了那个原因。

由于 re.findall() 返回捕获组的内容而不是完整的正则表达式匹配(它们都是 '')，您可以使用:

>>> import re
>>> re.findall(r"(?=(AAA(?:\w{3})*?CCC))", "AAAAGGCCCC")
['AAAAGGCCC', 'AAAGGCCCC']

作为注释的 Python 函数:

def find_overlapping(sequence):
    return re.findall(
    """(?=        # Assert that the following regex could be matched here:
     (            # Start of capturing group number 1.
      AAA         # Match AAA.
      (?:         # Start of non-capturing group, matching...
       [AGCT]{3}  # a DNA triplet
      )*?         # repeated any number of times, as few as possible.
      CCC         # Match CCC.
     )            # End of capturing group number 1. 
    )             # End of lookahead assertion.""", 
    sequence, re.VERBOSE)