正则表达式Python findall。让事情变得不可重复

Question

所以我要做的是让一个函数在字符串中找到一个序列“ATG”，然后从那里开始以3为单位沿着字符串移动，直到找到一个“TAA”、“TAG”或“TGA”（ATG xxx xxx TAA | TAG | TGA）

为此，我编写了这行代码（其中fdna是输入序列）

ORF_sequences = re.findall(r'ATG(?:...)*?(?:TAA|TAG|TGA)',fdna)

然后我想增加3个要求：

1. 总长度必须为30
2. ATG前两处必须有A或G被检测（A | G-x-x-A-T-G-x-x-x-x）
3. ATG之后的下一个位置必须是G（a-T-G-G-x-x）

为了执行此部分，我将代码更改为：

ORF_sequence_finder = re.findall(r'[AG]..ATGG..(?:...){7,}?(?:TAA|TAG|TGA)',fdna)

我想要的不是所有这些限制，而是要求1（大于或等于30个字符），然后要求2（A | G-x-x-A-T-G-x-x-x）或要求3（A-T-G-G-x-x）或两者兼而有之。

如果我将上面的行分成两行，并将它们附加到一个列表中，它们就会出现顺序错误并重复出现。

以下是不同案例的几个例子：

sequence1 = 'AGCCATGTGGGGGGGGGGGGGGGGGGGGGGGGGGGGGTGAAAA'
sequence2 = 'ATCCATGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGTAG'
sequence3 = 'AGCCATGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGTAG'    
sequence4 = 'ATGGGGTGA'

---

sequence1 = 'A**G**CC*ATG*TGGGGGGGGGGGGGGGGGGGGGGGGGGGGG*TGA*AAA'

sequence1将被标准接受，因为它遵循要求2（A | G-x-x-A-T-G-x-x-x-x），并且其长度大于等于30。你知道吗

sequence2 = 'ATCC*ATG***G**GGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGG*TAG*

sequence2将被接受，因为它遵循要求3（A-T-G-G-x-x），并且其长度大于等于30

sequence3 = 'A**G**CC*ATG***G**GGGGGGGGGGGGGGGGGGGGGGGGGGGGG*TGA*AAA'

sequence3将被接受，因为它既满足要求2又满足要求3，同时还具有大于等于30个字符。你知道吗

sequence4 = 'ATGGGGTGA'

sequence4将不被接受，因为它的NOT>；=30不符合要求2或要求3。你知道吗

所以基本上，我希望它在满足需求1的同时，接受遵循需求2和/或需求3（或两者）的序列。

我怎样才能在不添加重复项（在两者都出现的情况下）和不乱序的情况下将其拆分？

Answer 1

如果长度要求中可能包含[AG]..，则可以使用：

r'(?x) (?: [AG].. ATG | ATG G.. )  (?:...){7,}? (?:TAA|TAG|TGA)'

或者如果不想在匹配中包含[AG]..，可以使用lookarounds：

r'(?x) ATG (?: (?<=[AG].. ATG) | (?=G) ) (?:...){8,}? (?:TAA|TAG|TGA)'