Python 生物信息学：找到给定基因组串的基因

生物学家使用字母a、C、T和G的序列来模拟基因组。基因是基因组的一种替代物，它在三重态ATG之后开始，在三重态TAG、TAA或TGA之前结束。此外，基因串的长度是3的倍数，并且该基因不包含任何三胞胎ATG、TAG、TAA和TGA

理想情况下：

Enter a genome string: TTATGTTTTAAGGATGGGGCGTTAGTT #Enter   
TTT
GGGCGT
-----------------
Enter a genome string: TGTGTGTATAT
No Genes Were Found

到目前为止，我已经：

def findGene(gene):
    final = ""
    genep = gene.split("ATG")
    for part in genep:
        for chr in part:
            for i in range(0, len(chr)):
                if genePool(chr[i:i + 3]) == 1:
                    break
                else:
                    final += (chr[i+i + 3] + "\n")
    return final

def genePool(part):
    g1 = "ATG"
    g2 = "TAG"
    g3 = "TAA"
    g4 = "TGA"
    if (part.count(g1) != 0) or (part.count(g2) != 0) or (part.count(g3) != 0) or (part.count(g4) != 0):
        return 1

def main():
    geneinput = input("Enter a genome string: ")
    print(findGene(geneinput))

main()
# TTATGTTTTAAGGATGGGGCGTTAGTT

我总是出错

老实说，这对我来说真的不起作用——我想我已经在这些代码行中走到了死胡同——一种新的方法可能会有所帮助

提前谢谢

我所犯的错误-

Enter a genome string: TTATGTTTTAAGGATGGGGCGTTAGTT
Traceback (most recent call last):
  File "D:\Python\Chapter 8\Bioinformatics.py", line 40, in <module>
    main()
  File "D:\Python\Chapter 8\Bioinformatics.py", line 38, in main
    print(findGene(geneinput))
  File "D:\Python\Chapter 8\Bioinformatics.py", line 25, in findGene
    final += (chr[i+i + 3] + "\n")
IndexError: string index out of range

输入基因组字符串：ttatgttttaggatggggcgttagtt
回溯（最近一次呼叫最后一次）：
文件“D:\Python\Chapter 8\Bioinformatics.py”，第40行，在
main（）
文件“D:\Python\Chapter 8\Bioinformatics.py”，第38行，主目录
打印（findGene（基因输入））
文件“D:\Python\Chapter 8\Bioinformatics.py”，第25行，findGene
最终+=（chr[i+i+3]+“\n”）
索引器错误：字符串索引超出范围

就像我之前所说的，我不确定我是否在正确的轨道上用我当前的代码来解决这个问题-任何带有伪代码的新想法都是值得赞赏的

这可以通过以下方法完成：

输出

['TTT', 'GGGCGT'] []

---

错误是什么？您计划将其用于大型数据集还是用于短片段？@mhawke我似乎遇到了围绕

[I:I+3]

的错误——例如，当切片（

[I:I+3]

部分）的索引空间用完时，我似乎遇到了问题。这有用吗？@Moritz不，只是基本的，就是我写的。正如你所说的，简短的片段。也许问题是如何写的，但基因可以包含ATG——它既是“开始”的指示器，也是一种内部元素（蛋氨酸的代码）。我不熟悉

re

。非常简短的解释谢谢@mhawke@MattRumbel：基本上，re模式寻找ATG，然后是最短的碱基序列，直到看到一个前哨三联体标签、TAA或TGA。这将与Stidgeon评论的序列中确实包含ATG的基因相匹配。（我不知道ATG是否应该包括在内，我不是生物学家）谢谢你的解释，这很容易理解understand@Matt字母必须以3个为一组进行匹配，因此

（.*）

应该类似于

（（？：[ACTG]{3}）*？）

@RootTwo:谢谢你指出这一点，我忽略了这个要求。 ['TTT', 'GGGCGT'] []

"ATG((?:[ACTG]{3})+?)(?:TAG|TAA|TGA)"g
    ATG matches the characters ATG literally (case sensitive)
    1st Capturing group ((?:[ACTG]{3})+?)
        (?:[ACTG]{3})+? Non-capturing group
            Quantifier: +? Between one and unlimited times, as few times as possible, expanding as needed [lazy]
            [ACTG]{3} match a single character present in the list below
                Quantifier: {3} Exactly 3 times
                ACTG a single character in the list ACTG literally (case sensitive)
    (?:TAG|TAA|TGA) Non-capturing group
        1st Alternative: TAG
            TAG matches the characters TAG literally (case sensitive)
        2nd Alternative: TAA
            TAA matches the characters TAA literally (case sensitive)
        3rd Alternative: TGA
            TGA matches the characters TGA literally (case sensitive)
    g modifier: global. All matches (don't return on first match)