Python正则提取DNA序列最长ORF结果不符合预期原因求解

• re.findall默认仅返回非重叠的匹配结果，每匹配到一个子串后，会直接从该子串结束的下一个位置继续向后扫描，不会回头查找重叠区域的匹配项。如果你预期的长ORF和前面更短的ORF存在序列重叠，那么长ORF根本不会被加入匹配结果列表，自然无法被max函数选中。
• 你当前的正则逻辑只会匹配到距离起始密码子最近的终止密码子。(?:(?!TAA|TAG|TGA)...)*的运行逻辑是，每次匹配3个碱基前，先检查当前位置起始的3个碱基是否为终止密码子，一旦遇到终止密码子就立刻停止循环匹配，因此每个ATG起始位点只会对应一个最短的匹配结果，不会延伸到更远的终止密码子。你认为的长ORF大概率在同阅读框下存在你未注意到的中间终止密码子，导致正则提前终止匹配，得到的短片段在长度排序中被其他ATG起始的更长片段覆盖。

如果需要捕获所有可能的重叠ORF，再从中筛选最长的，可以用正向零宽断言包裹整个匹配规则，让正则扫描序列的每一个位置尝试匹配，不会跳过重叠区域：

import re
line = "CTGGCGACCGGAGGGCGACAACGGCGGCTGGGATGGTTAGTACTCGGGGCCCAGGCGGCCATGGGAGAGGTGCAGCTGTTGGAGTCTGGGGGAGGCCTGGTACAGCCTGGGGGGTCCCTGAGACTCTCCTGCGCAGCCTCTGGATTCACTTTTGAGCAATATGATATGCGCTGGGTCCGCCAGGCTCCTGGGAAGGGGCTGGAGTGGGTCAGTGCGATCAGCCGCGAGGGCAGAGCCACGTATTATGCAGACTCCGTGAAGGGCCGATTCACCATCTCCAGAGACAACTCCAAGAACACACTGTATCTGCAAATGAACAGCCTGAGAGCCGAGGACACGGCTGTGTATTACTGCGCTAGAGACTTGGGTGACTATTGGGGCCAAGGAACCCTGGTCACCGTCTCCTCAGGTGGCGGTGGATCGGGCGGTGGTGGATCTGGAGGAGGTGGCTCGGACATCCAGATGACCCAGTCTCCATCCTCCCTGTCTGCATCTGTAGGAGACAGAGTCACCATCACTTGCTCTGGAGATAAGTTGGGACATACGTATACCTCCTGGTACCAACAGAAACCAGGGAAAGCCCCTAAGCTCCTGATCTATCATGATAATAAGCGCCCTTCAGGGGTCCCTTCAAGGTTCAGTGGCAGTGGATCTGGGACAGATTTCACTCTCACCATCAGCAGTCTGCAGCCTGAAGATTTTGCAACTTATTACTGCTCTACTAGATCAAGCAAGGGCAATCCACACGTCCTGTTCGGCCAAGGACCAAAGTGGAGATCAAAAGGCCCGGGAGGCCAACACCATCACCACCATCATGGCGCATATCCGTATGATGTGCCGGACTATGCTTCTTAGCCGAAACTGTTGAAAGTTGTTTAGCAAAACCTCATACAGAAAATTCATTTACTAACGTCTGGAAGACGACAAACTTTAGATCGTTACGCTAACTATGAGGCTGTCTGTGGATGCTACAGCGTTGTGGTTTGTACTGTGACGAAACTCATGTTACGGTACATGGTTCTATTGGCTGCTATCCTGAAATGAAGTGTGCTCTGAAGGTGGCCGTTCTGAGGGTGGCGTTCTGAAGTGACGTACTTAAACATCTGAGATACGTGATATACCTATTTCCGGGGCTATATCTTATATATAAACCCTCTCTGACG"
# 正向零宽断言捕获所有重叠ORF
all_orfs = re.findall(r'(?=(ATG(?:(?!TAA|TAG|TGA)...)*(?:TAA|TAG|TGA)))', line)
if all_orfs:
    longest_orf = max(all_orfs, key=len)
    print(longest_orf)

运行上述代码即可得到你预期的最长ORF。

内容的提问来源于stack exchange，提问作者Dennis Sun