python - 正则表达式匹配mRNA序列

在真核生物中，剪接的mRNA具有三个关键特性:

mRNA以起始密码子(ATG)开头

mRNA的编码部分以三个终止密码子(TAA/TAG/TGA)之一结尾

终止密码子后立即有一个“poly(A)尾部”。 poly(A)尾部是转录后连接到编码序列3'末端的许多腺嘌呤(A's)的序列。实际上，poly(A)尾部可能有数百个A，但是通常mRNA/cDNA的末端未完全测序，因此终止密码子后可能只有5个A。

因此，基本上，mRNA序列应以ATG开头，然后是任意数量的As，Cs，Ts或Gs，然后是TAA或TAG或TGA，然后是5个或更多的As。

我的(python)正则表达式是:^ATG[ATCG]*T(AA|AG|GA)A{5}A*$
但是，这是匹配序列，在poly(A)尾部之后还有其他字符，就好像没有识别$字符一样。我究竟做错了什么？

有效的例子:

ATGCTGATGATGATGATAGAAAAA
ATGTGAAAAAAAAAAAAAAAAAAAAAAAAAAAAA

无效的示例:

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)

最佳答案

之所以这样工作，是因为第一个*贪婪，并尝试尽可能匹配，匹配所有后缀，并且regex解析器永远不会超出解析[ATCG]的范围。

但是，$应该可以如您期望的那样工作，因此您的正则表达式对于您的任务是完全有效的，也许有些未知的条件我无法通过您的问题来解决。

试试^ATG[ATCG]*?T(?:AA|AG|GA)A{5,}$
我使用了惰性*?而不是*，并且还使用了一个非捕获组(?:)和A{5,}而不是A{5}A*来进行优化。

关于python - 正则表达式匹配mRNA序列，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/54931073/