正则表达式 Python findall。使事情变得非冗余

Question

所以我想做的是有一个函数在字符串中找到一个序列“ATG”，然后从那里以 3 为单位沿着字符串移动，直到找到一个“TAA”、“TAG”、或“TGA”（ATG-xxx-xxx-TAA|TAG|TGA）

为此，我编写了这行代码（fdna 是输入序列）

ORF_sequences = re.findall(r'ATG(?:...)*?(?:TAA|TAG|TGA)',fdna)

然后我想添加 3 个要求：

1. 总长度必须为 30
2. 在 ATG 之前的两个位置必须检测到 A 或 G (A|G-x-x-A-T-G-x-x-x)
3. ATG 之后的下一个位置必须是 G (A-T-G-G-x-x)

为了执行这部分，我将代码更改为：

ORF_sequence_finder = re.findall(r'[AG]..ATGG..(?:...){7,}?(?:TAA|TAG|TGA)',fdna)

我想要的不是所有这些限制，而是满足要求 1（大于或等于 30 个字符），然后满足要求 2 (A|G-x-x-A-T-G-x-x-x) 或要求 3 (A-T-G-G-x-x) 或两者兼有那些。

如果我将上面的行分成两部分并将它们附加到一个列表中，它们就会出现乱序并重复。

以下是不同情况的几个示例：

sequence1 = 'AGCCATGTGGGGGGGGGGGGGGGGGGGGGGGGGGGGGTGAAAA'
sequence2 = 'ATCCATGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGTAG'
sequence3 = 'AGCCATGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGTAG'    
sequence4 = 'ATGGGGTGA'

---

sequence1 = 'A**G**CC*ATG*TGGGGGGGGGGGGGGGGGGGGGGGGGGGGG*TGA*AAA'

sequence1 将被标准接受，因为它遵循要求 2 (A|G-x-x-A-T-G-x-x-x) 并且其长度 >= 30。

sequence2 = 'ATCC*ATG***G**GGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGG*TAG*

sequence2 将被接受，因为它遵循要求 3 (A-T-G-G-x-x) 并且其长度 >=30

sequence3 = 'A**G**CC*ATG***G**GGGGGGGGGGGGGGGGGGGGGGGGGGGGG*TGA*AAA'

sequence3 将被接受，因为它同时满足要求 2 和 3，同时还具有 >=30 个字符。

sequence4 = 'ATGGGGTGA'

sequence4 不会被接受，因为它不 >= 30，不符合要求 2 或要求 3。

所以基本上，我希望它在满足要求 1 的同时接受满足要求 2 和/或要求 3（或两者）的序列。

我怎样才能在不添加重复项（如果两者都发生的情况下）和混乱的情况下将其拆分？

Answer 1

如果可能的[AG].. 应该包含在您可以使用的长度要求中：

r'(?x) (?: [AG].. ATG | ATG G.. )  (?:...){7,}? (?:TAA|TAG|TGA)'

或者，如果您不想在匹配中包含 [AG]..，您可以使用环视：

r'(?x) ATG (?: (?<=[AG].. ATG) | (?=G) ) (?:...){8,}? (?:TAA|TAG|TGA)'