如何用正则表达式定位DNA序列中CG交替重复区域的位置

正则表达式设计 #

根据需求，我们需要匹配仅由C/G组成（大小写不敏感）、长度≥2的连续片段（对应示例中标注的CG交替/重复区域），对应的正则表达式为：[cg]{2,}，搭配大小写不敏感的匹配标志即可满足需求。

Python 实现代码 #

使用Python的re模块，通过finditer()遍历所有匹配结果，提取起止坐标：

import re

# 目标DNA序列
dna_sequence = "ANNNTGCGCCCCGCGGTGCGNNT"
# 编译正则表达式，开启大小写不敏感模式
cg_pattern = re.compile(r'[cg]{2,}', re.IGNORECASE)

# 提取半开区间（start:end，左闭右开）的匹配位置
half_open_intervals = [(match.start(), match.end()) for match in cg_pattern.finditer(dna_sequence)]
# 转换为闭区间（start:end-1，左右均闭）
closed_intervals = [(start, end - 1) for start, end in half_open_intervals]

print("半开区间形式结果：", half_open_intervals)
print("闭区间形式结果：", closed_intervals)

运行结果验证 #

执行代码后输出：

半开区间形式结果： [(5, 9), (11, 15), (17, 20)]
闭区间形式结果： [(5, 8), (11, 14), (17, 19)]

完全匹配示例中的标注位置要求。

关键说明 #

• [cg]{2,}：限定匹配长度至少为2的连续C/G字符，避免单个C或G被误识别
• re.IGNORECASE：自动兼容大小写混合的序列（如cG、Gc等）
• re.finditer()：返回所有非重叠的匹配对象，确保每个区域只被提取一次

内容的提问来源于stack exchange，提问作者user2667066