匹配mRNA序列的正则表达式

Question

在真核生物中，剪接mRNA具有三个关键特性：

1. mRNA以起始密码子开始
2. mRNA的编码部分以三个终止密码子(TAA/TAG/TGA)中的一个结束。
3. 在停止密码子之后立即有一个‘poly’尾‘。多聚(A)尾是许多腺嘌呤(A's)在转录后连接到编码序列3‘端的产物。事实上，可能有数百个A在poly的尾部，但通常mRNA/cDNA的末端并不是完全测序，因此在终止密码子后面可能只有5A。

因此，基本上，一个mRNA序列应该从ATG开始，后面跟着任意数量的As、Cs、Ts或Gs，然后是TAA或TAG或TGA，然后是5或更多的As。

我的(python)正则表达式是：^ATG[ATCG]*T(AA|AG|GA)A{5}A*$

然而，这是匹配的序列，在聚(A)尾之后有更多的字符，就好像$字符没有被识别一样。我做错了什么？

有效的例子：

ATGCTGATGATGATGATAGAAAAA
ATGTGAAAAAAAAAAAAAAAAAAAAAAAAAAAAA

无效示例：

ATGCTGATGXTGATGATAGAAAAA
TATGCTGATGXTGATGATAGAAAAA
ATGTGAAAAAAAAAAAAAAAAAAAAAAAAAAAAAC

编辑(我的完整代码)：

file = open('potential_mRNA.fasta')
alignment = SeqIO.parse(file, 'fasta')
mRNA_seqs = []
mRNA_pattern = r'^ATG[ATCG]*T(AA|AG|GA)A{5}A*$'
for mrna in alignment:
    sequence = str(mrna.seq)
    if re.search(mRNA_pattern, sequence):
        mRNA_seqs.append(sequence)

Answer 1

它的工作方式是这样的，因为第一个*是贪婪的，并且试图尽可能匹配，匹配所有后缀，正则表达式解析器永远不会超越解析[ATCG]。

然而，$应该使它像您所期望的那样工作，这样您的正则表达式对于您的任务是完全有效的，也许有一些未知的条件，我无法从您的问题中看到。

试试^ATG[ATCG]*?T(?:AA|AG|GA)A{5,}$

我使用了懒惰的*?而不是*，也使用了一个非捕获组(?:)和A{5,}，而不是A{5}A*来进行优化。