Python 正则表达式：如何重复一个模式？

Question

我正在查看一长串 DNA 核苷酸，并正在寻找以起始代码“AAA”开头并以停止代码“CCC”结尾的序列。由于核苷酸是三联体，我发现的每个序列的开始和结束之间的核苷酸数量必须是三的倍数。

例如，“AAAGGGCCC”是一个有效序列，但“AAAGCCC”不是。

此外，在每个终止码之前，我想要关于特定阅读框架的最长链。

例如，如果 DNA 是“AAAGGGAAACCC”，那么“AAAGGGAAACCC”和“AAACCC”在技术上都是有效的，但由于它们共享相同的停止代码实例，我只想要最长的 DNA 链“AAAGGGAAACCC”。此外，如果我的链是“AAAAGGCCCCC”，我必须返回“AAAAGGCCC”和“AAAGGCCCC”，因为它们处于不同的阅读框架（一个阅读框架是 mod 3，另一个是 mod 1。）

虽然我认为我有代码来搜索满足 3 的倍数要求且不重叠的字符串，但我不确定如何实现保持相同阅读框架的第二个标准。我下面的代码只会返回不重叠的最长字符串，但不区分阅读帧，因此在上面的示例中，它会捕获“AAAAGGCCC”而不是“AAAGGCCCC”：

match = re.finditer(r"AAA\w{3}{%d}BBB$"% (minNucleotide-6, math.ceil((minNucleotide-6)/3))

抱歉啰嗦了，感谢您的浏览！

Answer 1

使用积极的前瞻断言。这允许您在字符串中的每个字符处重新应用正则表达式，从而可以找到所有重叠的匹配项，因为前瞻断言不会像正常匹配那样消耗任何字符。由于您仍然需要匹配一些实际文本，因此您可以为此使用捕获组。

由于re.findall()返回捕获组的内容而不是完整的正则表达式匹配项（都是''），您可以使用：

>>> import re
>>> re.findall(r"(?=(AAA(?:\w{3})*?CCC))", "AAAAGGCCCC")
['AAAAGGCCC', 'AAAGGCCCC']

作为注释的 Python 函数：

def find_overlapping(sequence):
    return re.findall(
    """(?=        # Assert that the following regex could be matched here:
     (            # Start of capturing group number 1.
      AAA         # Match AAA.
      (?:         # Start of non-capturing group, matching...
       [AGCT]{3}  # a DNA triplet
      )*?         # repeated any number of times, as few as possible.
      CCC         # Match CCC.
     )            # End of capturing group number 1. 
    )             # End of lookahead assertion.""", 
    sequence, re.VERBOSE)