仅当特定模式与其他模式不匹配时才匹配特定模式

Question

我需要创建一个匹配的正则表达式来找到遗传序列，我被困在一个特定问题后面 - 首先，开始密码子ATG，跟随三个核苷酸的其他密码子，正则表达式以三个可能的密码子TAA，TAG和TGA结束。如果停止（末端）密码子在开始（ATG）密码子后出现怎么办？当启动密码子和终止密码子之间存在中间密码子时，我当前的正则表达式起作用，但如果没有，则正则表达式匹配起始密码子后的所有序列。我知道它为什么这样做，但我不知道如何改变它以我想要的方式工作。

我的正则表达式应该寻找AGGAGG（正是这种模式），然后A，C，G或T（从4到12次）然后ATG（恰好这个模式），然后A，C，G或T（三元组（例如， ACG，TGC等等，无论多久都没关系）直到它与TAA，TAG或TGA相匹配。搜索应该在此之后结束并在此之后再次开始。

良好匹配的示例：

XXXXXXXXXXXXXXXXXXXXXXXXX   XXXXXXXXXXXXXXXX
AGGAGGTATGATGCGTACGGGCTAGTAGAGGAGGTATGATGTAGTAGCATGCT

序列中有两个匹配 - 从0到25和从28到44。

我现在的正则表达式（不介意前两个括号）：

$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，然后仅考虑第5组（如果需要则回溯）。 在你的序列中你得到TAGTAG。贪婪量词将导致第4组捕获第一个TAG，第二个捕获为结束组。

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，使量词变得懒惰）。 这样，遇到的第一个TAG将被视为结束组。

Demo。

Answer 2

根据你给出的模式，你可以有重叠的匹配。以下将找到所有匹配项，包括重叠匹配项：

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必需的正则表达式功能，而不是像grep这样的普通正则表达式，是懒惰的量词：？遵循*或+量词。它匹配零（一）或多个出现在*（+）标记之前的字符作为最短的glob匹配

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