Regex蛋白质消化

Question

所以，我正在用一种酶来消化一个蛋白质序列(为了引起你的好奇心，我称之为Asp-N)，它在由B或D编码的蛋白质之前，以一个单字母编码的序列进行切割。我的实际分析使用String#scan进行捕获。我正在尝试找出为什么下面的正则表达式不能正确地消化它...

(\w*?)(?=[BD])|(.*\b)

其中先行(.*\b)的存在是为了捕获序列的结尾。适用于：

MTMDKPSQYDKIEAELQDICNDVLELLDSKGDYFRYLSEVASGDN

这应该会给出类似于：[MTM, DKPSQY, DKIEAELQ, DICN, DVLELL, DSKG, ... ]的结果，但却忽略了序列中的每个D。

我一直在使用http://www.rubular.com进行故障排除，它运行在1.8.7上，尽管我也在1.9.2上测试过这个REGEX，但没有用。据我所知，两个版本的ruby都支持零宽度的先行断言。我的正则表达式做错了什么？

Answer 1

支持这一点的最简单方法是在零宽度前视中拆分：

s = "MTMDKPSQYDKIEAELQDICNDVLELLDSKG"
p s.split /(?=[BD])/
#=> ["MTM", "DKPSQY", "DKIEAELQ", "DICN", "DVLELL", "DSKG"]

为了了解您的解决方案出了什么问题，让我们首先看一下您的正则表达式与工作正常的正则表达式：

p s.scan(/.*?(?=[BD]|$)/)
#=> ["MTM", "", "KPSQY", "", "KIEAELQ", "", "ICN", "", "VLELL", "", "SKG", ""]

p s.scan(/.+?(?=[BD]|$)/)
#=> ["MTM", "DKPSQY", "DKIEAELQ", "DICN", "DVLELL", "DSKG"]

问题是，如果您可以捕获零个字符，并且仍然匹配您的零宽度先行查找，则在没有推进扫描指针的情况下就成功了。让我们看一个更简单但相似的测试用例：

s = "abcd"
p s.scan //      # Match any position, without advancing
#=> ["", "", "", "", ""]

p s.scan /(?=.)/ # Anywhere that is followed by a character, without advancing
#=> ["", "", "", ""]

String#scan的简单实现可能会陷入无限循环，重复匹配第一个字符之前的指针。看起来，一旦出现匹配而没有推进指针，算法就会强制将指针前进一个字符。这解释了您的案例中的结果：

1. 首先匹配B或D之前的所有字符，
2. 然后匹配B或D之前的零宽度位置，不移动字符指针，
3. 因此算法将指针移过B或D，然后继续。

Answer 2

基本上，你想在每个B或D之前剪断你的弦？

"...".split(/(?=[BD])/)

为您提供

["MTM", "DKPSQY", "DKIEAELQ", "DICN", "DVLELL", "DSKG", "DYFRYLSEVASG", "DN"]