使用正则表达式查找和替换 DNA 序列的每 3 个字符

Question

是否可以在 dna 字符串上使用正则表达式进行查找/替换，这样它一次只考虑每 3 个字符（dna 的密码子）。

例如，我希望正则表达式看到这个：
dna="AAACCCTTTGGG"
像这样：
AAA CCC TTT GGG

如果我现在使用正则表达式并且表达式是
Regex.Replace(dna,"ACC","AAA") 它会找到匹配项，但在这种情况下，一次查看 3 个字符将没有匹配项。

这可能吗？

Answer 1

为什么要使用正则表达式？试试这个，这可能更有效地启动：

public string DnaReplaceCodon(string input, string match, string replace) {
  if (match.Length != 3  || replace.Length != 3) 
      throw new ArgumentOutOfRangeException();

  var output = new StringBuilder(input.Length);
  int i = 0;
  while (i + 2 < input.Length) {
    if (input[i] == match[0] && input[i+1] == match[1] && input[i+2] == match[2]) {
      output.Append(replace);
    } else {
      output.Append(input[i]);
      output.Append(input[i]+1);
      output.Append(input[i]+2);
    }

    i += 3;
  }

  // pick up trailing letters.
  while (i < input.Length)   output.Append(input[i]);

  return output.ToString();
}

Answer 2

解决方案

使用正则表达式可以做到这一点。假设输入有效（仅包含A、T、G、C）：

Regex.Replace(input, @"\G((?:.{3})*?)" + codon, "$1" + replacement);

DEMO

如果不能保证输入有效，您可以使用正则表达式 ^[ATCG]*$（允许非 3 的倍数）或 ^([ATCG]{3})*$（序列必须是 3 的倍数）进行检查。无论如何，对无效输入进行操作是没有意义的。

说明

上述结构适用于任何密码子。为了便于解释，设密码子为AAA。正则表达式为\G((?:.{3})*?)AAA。

整个正则表达式实际上匹配以要替换的密码子结尾的 shortest 子字符串。

\G            # Must be at beginning of the string, or where last match left off
((?:.{3})*?)  # Match any number of codon, lazily. The text is also captured.
AAA           # The codon we want to replace

我们确保匹配只从索引为 3 的倍数的位置开始：

• \G 断言匹配从上一个匹配停止的地方（或字符串的开头）开始
• 事实上，模式((?:.{3})*?)AAA 只能匹配长度为 3 的倍数的序列。

由于惰性量词，我们可以确定在每次匹配中，要替换的密码子之前的部分（与((?:.{3})*?)部分匹配）不包含密码子。

在替换中，我们将密码子之前的部分放回（捕获组1中捕获，可以用$1引用），后面是替换密码子。

Answer 3

注意

正如评论中所解释的，以下不是一个好的解决方案！我把它留在里面，这样其他人就不会犯同样的错误

您通常可以通过m.start() 和m.end() 找到比赛的开始和结束位置。如果m.start() % 3 == 0 找到了相关匹配项。