交替字符序列的位置正则表达式

Question

我想在一个字符串中找到多个区域（在我的例子中是DNA序列），这些区域的字符是C和G交替出现的，顺序可以是任意的：

str = "ANNNTGCGCCCCGCGGTGCGNNT"
            ^^^^  ^^^^  ^^^
pos    01234567890123456789012
       0         1         2

在上面，我标记了G/C和C/G交替出现的区域，所以我想找一个正则表达式，能够返回一个开始和结束坐标的列表，比如(5:8, 11:14, 17:19)，或者使用半闭区间，返回每个区域结束后的位置(5:9, 11:15, 17:20)。

理想情况下，这个匹配应该不区分大小写。欢迎任何建议。

补充 - 我很乐意使用任何编程语言的实现（例如Python的re模块）来提取这些位置。

Answer 1

感谢@the-fourth-bird，(?:CG)+C?|(?:GC)+G? 这个表达式在放进一个可以返回匹配开始和结束位置的函数里时，可以实现目标。比如在Python中：

import re
s = "ANNNTGCGCCCCGCGGTGCGNNT"
print([
    (m.start(), m.end())
    for m in re.finditer(r"(?:CG)+C?|(?:GC)+G?", s, re.IGNORECASE)
])

Answer 2

你可以使用这个正则表达式：

(?=GC|CG)G?(?:CG)*C?

这个表达式可以匹配：

• (?=GC|CG) : 这是一个前瞻，检查是否有GC或CG，确保至少有两个字符（因为其他部分都是可选的）
• G? : 一个可选的G
• (?:CG)* : 零个或多个CG;
• C? : 一个可选的C

你可以在这个网站上查看正则表达式的演示：regex101

在Python中，你可以使用re.finditer来进行搜索，并从每个匹配对象中获取span：

s = "ANNNTGCGCCCCGCGGTGCGNNT"
res = [m.span() for m in re.finditer(r'(?=GC|CG)G?(?:CG)*C?', s, re.I)]

输出结果：

[(5, 9), (11, 15), (17, 20)]