仅当特定模式与其他模式不匹配时，用于匹配特定模式的Regex

Question

我需要创建一个匹配的regex来寻找基因序列，我被困在了一个特定的问题后面--首先，启动密码子ATG，跟随来自三个核苷酸的其他密码子，然后以三个可能的密码子TAA、TAG和TGA结束。如果停止(结束)密码子位于开始(ATG)密码子之后怎么办？当开始密码子和停止密码子之间有中间密码子时，我的当前正则表达式工作，但如果没有，则该正则表达式匹配开始密码子之后的所有序列。我知道为什么会这样，但我不知道如何按照我想要的方式改变它。

我的正则表达式应该查找AGGAGG (确切地说是此模式)，然后是A、C、G或T (从4到12次)，然后是ATG (正是这种模式)，然后是A、C、G或T (以三元组(例如，ACG、TGC等等)，直到它匹配TAA、TAG或d19，这并不重要。搜索应该在那之后结束，然后再开始。

良好匹配的例子：

XXXXXXXXXXXXXXXXXXXXXXXXX   XXXXXXXXXXXXXXXX
AGGAGGTATGATGCGTACGGGCTAGTAGAGGAGGTATGATGTAGTAGCATGCT

序列中有两种匹配--从0到25，从28到44。

我现在的正则表达式(不要介意前两个括号)：

$seq =~ /(AGGAGG)([ACGT]{4,12})(ATG)([ACTG]{3,3}){0,}(TAA|TAG|TGA)/ig

Answer 1

这里的问题来自贪婪量词的默认用法。

当使用(AGGAGG)([ACGT]{4,12})(ATG)([ACTG]{3})*(TAA|TAG|TGA)时，第4组([ACTG]{3})*将尽可能多地匹配，然后只考虑第5组(如果需要的话进行回溯)。

在你的序列中你得到了TAGTAG。贪婪的量词将导致第一个TAG在第4组中被捕获，第二个被捕获为结束组。

您可以使用延迟量词：(AGGAGG)([ACGT]{4,12})(ATG)([ACTG]{3})*?(TAA|TAG|TGA) (注意添加的问号，使量词变懒)。

这样，第一次遇到的TAG将被视为结束组。

演示。

Answer 2

根据你给出的模式，你可以有重叠的匹配。以下将查找所有匹配，包括重叠匹配：

local our @matches;
$seq =~ /
   (
   ( AGGAGG )
   ( [ACGT]{4,12} )
   ( ATG )
   ( (?: (?! TAA|TAG|TGA ) [ACTG]{3} )* )
   ( TAA|TAG|TGA )
   )
   (?{ push @matches, [ $-[1], $1, $2, $3, $4, $5, $6 ] })
   (?!)
/xg;

Answer 3

Perl的基本regex特性(与grep这样的普通regex特性相反)是惰性量词：？在*或+量词后面。它将0(1)或更多出现在* (+)令牌之前的字符匹配为最短的glob匹配。

$seq =~ /((AGGAGG)([ACGT]{4,12})(ATG)([ACGT]{3})*?(TAA|TAG|TGA))/igx