找出正确的匹配正则表达式

Question

我对编程比较陌生。我目前正在学习 Perl，但遇到了一个逻辑问题，使我无法正确完成脚本。任何帮助将不胜感激！！提前感谢您提供有用的见解！

大部分程序已经写好了，最后一步让我头疼。

我有一个变量$RNA，它以任意顺序获取核苷酸序列 (acgu)。例如：

$RNA = agcuaggaaggguuuugauag

等等。

我已经创建了一个哈希，其中每 3 个核苷酸字符或密码子（例如 uga）被分配给一个定义的氨基酸。例如：

% my AminoAcid   = (
  ggg => "G",
  ...
);

我想要做的是在读取$RNA 字符串中的START CODON aug 时打印与哈希中的密码子相对应的定义的氨基酸（大写字母）并停止 每当读取 STOP CODON uga 时，在哈希中打印定义的氨基酸。

例如：假设$RNA = aaaaugcccgggugaccccccccc。程序应打印从 (aug) 开始的相应氨基酸，并在读取字符串中的终止密码子 (uga) 时停止。

注意：它应该在读取起始密码子 (aug) 之前忽略前三个 aaa，在读取终止密码子 (uga) 之后忽略 ccccccccccccc，如果看到在字符串中的任何位置再次启动密码子aug。

我尝试了多种想法，但没有一个能够描述为最后一部分编写代码的正确方法。我可能没有完全理解其背后的逻辑。

任何帮助将不胜感激。提前谢谢！！！

Answer 1

这可能有效，将逻辑放入代码组(?{})

多线模组
注意 - 如果需要重新对齐（按 3 个），请告诉我。
到目前为止，对齐方式是 3 个非空白 + 可选空白，重复。
这将在保持 3 个边界的同时消耗换行符 - 我
假设很重要。

Perl 代码

use strict;
use warnings;

my %AminoAcid   = (
   aug => "Start codon",
   ccc => "C",
   ggg => "G",
   uuu => "U"
);

my $RNA = '
aaaaugcccgggugacccgggcccgggcccaaaauguuugggcccugacccgggccccccaugccc
gggugacccgggcccgggcccaaaauguuugggcccugacccgggcccccc
aaaaugcccgggugacccgggcccgggcccaaaauguuugggcccugacccgggcccccc
aaaaugcccgggugacccgggcccgggcccaaaauguuugggcccugacccgggcccccc
';
my $on = 0;

$RNA =~ /
     (?:
          ( \S\S\S ) \s*
          (?{
               if ( $^N eq 'aug' ){ $on = 1; print "\n"; }
               elsif ( $^N eq 'uga' ) { $on = 0; }
               if ( $on ) {
                  exists $AminoAcid{ $^N } ?
                    print $AminoAcid{ $^N } :
                    print "[key not found-> '$^N']";
               }
          })
     )+
   /x;

输出

Start codonCG
Start codonUGC
Start codonCG
Start codonUGC
Start codonCG
Start codonUGC
Start codonCG
Start codonUGC

Answer 2

让我们从这个开始：

my $rna = "aaaaugcccgggugaccccccccc";
my %aminoAcidMap = ( ggg => "G", ccc => "C" );

第一步，提取aug和uga之间的相关部分：

$rna =~ /aug((?:[acgu]{3})*?)uga/ or die;
my $pattern = $1;

这假定aug 可以出现在字符串中的任何位置。此外，如果它跨越两个密码子，它会确保 if 不会在 uga 处停止。

如果您要求起始密码子位于字符串中可被 3 整除的索引处，则可以改为：

$rna =~ /^(?:[acgu]{3})*?aug((?:[acgu]{3})*?)uga/ or die;
my $pattern = $1;

此时，$pattern 将包含aug 和uga 之间的部分。

现在，要进行映射，您可以：

my $aminoAcids = $pattern =~ s/[acgu]{3}/$aminoAcidMap{$&}/ger;

这将用哈希值替换每个密码子。

如果你把所有东西都打包到一个 sub 中，你会得到：

sub getAminoAcids {
    local ($_) = @_;
    /aug((?:[acgu]{3})*?)uga/ or return "";
    $1 =~ s/[acgu]{3}/$aminoAcidMap{$&}/ger;
}

Answer 3

@lucas-trzesniewski 的 sub 很棒而且非常紧凑，但它有一些缺点：它不处理散布的硬返回，只找到第一个蛋白质，不打印第一个蛋氨酸，并用隐式返回（这是我试图避免的）。所以这里有一个改进。请注意，我自己有一个非常巧妙的翻译脚本，它可以处理更多的情况（例如重叠阅读框、不明确的核苷酸、RNA 片段、替代起始密码子、多个终止密码子等），但如果你只是想要一些简单的东西对于有限的情况，这里有一个修改版的@lucas-trzesniewski 的 sub 来解决这些问题：

sub getAminoAcids
  {
    my $mrna = @_;
    $mrna =~ s/\s+//sg;
    $mrna = lc($mrna);
    my @proteins = ();
    while($mrna =~ /(aug(?:[acgu]{3})*?)uga/g)
      {
        $cds = $1;
        push(@proteins,"");
        while($cds =~ /(...)/g)
          {$proteins[-1] .= $aminoAcidMap{$1}}
      }
    return(@proteins);
  }

这假设您不想在蛋白质字符串中打印停止字符。它还可以具有诸如错误检查之类的附加功能。