DNA编码蛋白序列正则匹配需求及现有表达式优化咨询

你的原正则表达式".*(TAC(...){10,}(ATT|ATC|ACT)).*"的核心问题是：(...)会匹配任意三个字符，完全没排除你指定的禁止三联体（TAC、ATT、ATC、ACT），所以中间出现这些序列时依然会被误匹配。

修正后的正则表达式 #

".*(TAC(?:(?!TAC|ATT|ATC|ACT)...){10,}(ATT|ATC|ACT)).*"

关键部分说明 #

• (?:(?!TAC|ATT|ATC|ACT)...)：非捕获组，其中(?!...)是否定前瞻断言，确保接下来的三个字符不是禁止的四个三联体中的任何一个；后续的...匹配任意三个字符（如果你的DNA序列仅包含ATCG四种碱基，可替换为[ATCG]{3}，进一步提升匹配严谨性）。
• {10,}：强制要求中间必须包含至少10个符合要求的非禁止三联体。
• 整个表达式会严格匹配以TAC起始、以指定终止三联体结尾，且中间无任何禁止序列的目标片段。

用你提供的测试序列**TAC**TTC**ATC**GATAGGAGAGGGCCCATTTAACCC**ATC**验证：中间出现了禁止的ATC三联体，修正后的正则会直接排除这个序列，符合你的筛选需求。

内容的提问来源于stack exchange，提问作者Keq