项目1：玩转DNA（正则环视）

DNA 是由碱基 A、C、G 或 T 组成的序列。它们以每三个碱基为一组翻译成蛋白质，每组三个碱基称为一个 密码子（codon）。其中有一个特殊的起始密码子 ATG，以及三个终止密码子 TGA、TAG 和 TAA。例如：

1cgcgcATGcATGcgTGAcTAAcgTAGcgcgcgcgc

一个开放阅读框（Open Reading Frame，简称 ORF）由一个 起始密码子 开始，中间包含若干个密码子，最后以一个 终止密码子 结束。上面的例子中存在重叠的 ORF，包括：

• ATGcATGcgTGA 和
• ATGcgTGAcTAA。

以下正则表达式模式只能找到第一个 ORF（即 atgcatgcgtga），因为它在匹配时会“消耗”该片段，从而也占用了第二个 ORF 的开头部分。

1from re import *
2
3dna = 'cgcgcATGcATGcgTGAcTAAcgTAGcgcgcgcgc'
4dna = dna.lower()
5orfpat = r'(?x) ( atg  (?: (?!tga|tag|taa) ... )*  (?:tga|tag|taa) )'
6print findall(orfpat,dna)

如果我们希望找到 ORF 但不消耗匹配的文本，就可以使用 正向先行断言（positive lookahead） (?= ( atg)。我们将整个 ORF 模式放入先行断言中，这样就能同时找到两个 ORF：atgcatgcgtga 和 atgcgtgactaa。

1from re import *
2
3dna = 'cgcgcATGcATGcgTGAcTAAcgTAGcgcgcgcgc'
4dna = dna.lower()
5orfpat = r'(?x) (?= ( atg  (?: (?!tga|tag|taa) ... )*  (?:tga|tag|taa) ))'
6s = findall(orfpat,dna)
7if s:
8     print ', '.join(s)

该项目借鉴并简化了 Rex Dwyer 的 ipython 笔记本中的 Splitsville 示例（DNA）。