查找字符序列，以先到者为准答案

【问题标题】：Finding sequences of characters, whichever's first查找字符序列，以先到者为准
【发布时间】：2023-03-19 05:29:01
【问题描述】：

我写了一个代码，可以找到四种不同的字符序列。

ATG 总是在开始，而 TAG、TGA 或 TAA 是“停止”序列。

START 和 STOP 序列之间的字符数应为 3 的倍数。

例如在以下字符串中：ACCATGCCCTAGTTT 我的程序返回 ATGCCCTAG。

在这个字符串中：AAATGCCTAGTTAA程序返回ATGCCTAGT TAA，因为 ATG 和 TGA 之间的字符数不是三的倍数，所以它寻找下一个“停止”序列，在这种情况下是 TAA。

代码如下：

public class TagFinder {
    public String findProtein(String dna) {
        String fpL = dna.toLowerCase();
        int start = fpL.indexOf("atg");
        int stop = fpL.indexOf("tag", start+3);
        int stop2 = fpL.indexOf("tga", start+3);
        int stop3 = fpL.indexOf("taa", start+3);
        if (start == -1) {
            return "";
        }

        if ((stop - start) % 3 == 0) {
            return fpL.substring(start, stop+3);
        }

        if ((stop2 - start) % 3 == 0) {
            return fpL.substring(start, stop2+3);
        }

        if ((stop3 - start) % 3 == 0) {
            return fpL.substring(start, stop3+3);
        }
        else {
            return "";
        }
    }

但是，在下面的字符串“ATTATGCCCTAATAG”中，代码会首先找到ATGCCCTAATAG，即使 TAA 是字符串中的第一个“停止”序列，并且 ATG 和 TAA 之间的字符数是 3。

我如何编写这个程序，以便返回字符串中最先出现且距离起始序列 n3 的“STOP”序列。

谢谢。

【问题讨论】：

标签： java string

【解决方案1】：

正则表达式就可以了。

    String input = "ACCATGCCCTAGTTT";
    String expected = "ATGCCCTAG";

    Pattern pattern = Pattern.compile("(ATG)(.{3})*?(TAG|TGA|TAA)",
            Pattern.CASE_INSENSITIVE);
    Matcher m = pattern.matcher(input);
    while (m.find()) {
        System.out.printf("[%d] %s%n", m.start(), m.group());
    }

上面的起始位置不一定是3的倍数。如果起始位置必须是3的倍数，那么最容易将3个字母和一个分隔符组成组。

    input = input.replaceAll(".{3}", "$0,");

    Pattern pattern = Pattern.compile("(ATG,)(.{4})*?(TAG|TGA|TAA),",
            Pattern.CASE_INSENSITIVE);
    Matcher m = pattern.matcher(input);
    while (m.find()) {
        System.out.printf("[%d] %s%n", m.start() * 3 / 4, m.group().replace(",", ""));
    }

【讨论】：

【解决方案2】：

你需要确定所有停止标签的最小值，所以我会这样写：

    [...]
    int minStop = MAXINT;

    if ((stop - start) % 3 == 0 && minStop > stop) {
        minStop = stop;
    }

    if ((stop2 - start) % 3 == 0 && minStop > stop2) {
        minStop = stop2;
    }

    if ((stop3 - start) % 3 == 0 && minStop > stop3) {
        minStop = stop3;
    }

    if (minStop < MAXINT) {
        return fpL.substring(start, minStop+3);
    } else {
      [...]
    }

【讨论】：

【解决方案3】：

来自

if ((stop - start) % 3 == 0) { return fpL.substring(start, stop+3); }

它首先找到 TAG 并调用 return 语句。如果你真的想找到第一个停止点，可以在stop、stop2 和stop3 之间添加一些比较逻辑来找到最小的索引。然后对每个进行% 3 检查并从第一个正常的返回，或者如果没有有效的大小写则返回整个字符串。另外如何使用正则表达式来解决这个问题？ (ATG)\w{3}(TAG|TGA|TAA) 中的内容。

【讨论】：

【解决方案4】：

以下代码使用任何搜索词的列表，然后选择最小匹配索引。

public String findProtein(String dna) {
    String fpL = dna.toLowerCase();
    int start = fpL.indexOf("atg");

    List<String> searchWords = new ArrayList<>();
    searchWords.add("tag");
    searchWords.add("tga");
    searchWords.add("taa");

    int start = fpL.indexOf("atg");
    try{
        int startIndex = searchWords.stream().mapToInt(word -> fpL.indexOf(word, 3 + start)).filter(idx -> idx >= 0 && 0 == idx % 3)
                .min().getAsInt();

        return dna.substring(start, startIndex + 3);

    } catch(NoSuchElementException ex) {
        return "";
    }
}

【讨论】：

【解决方案5】：

代码首先找到“TAG”的原因是因为您编写代码的方式：您的第一个 if 语句会检查“TAG”。如果找到，则返回“ATG”和“TAG”之间的字符串并终止。

您需要做的是创建一个min 变量并将找到的终止密码子的值存储在这个min 中（在检查它确实是最小值之后）。不要在搜索终止密码子的if 语句中使用return。并仅在执行三个 if 语句并确定与“TAG”的实际最小距离后才返回 min + 3。

希望有用。

【讨论】：