验证 C/C++ 中的 DNA

Question

我正在迭代 DNA 序列，一次将 5-15 个碱基的块拉出到 C++ std::string 对象中。有时，我的字符串会包含非 ATCG 碱基，我想在发生这种情况时采取行动。例如，我可能会看到：

CTACGGTACGRCTA

因为有一个“R”，所以我想识别这种情况。我熟悉正则表达式，但人们似乎推荐了几个不同的库。我见过 Boost、TR1 等。有人可以建议一种不同的方式来捕获我的案例，或者告诉我应该使用哪个库以及为什么？

谢谢

Answer 1

正则表达式对此来说太过分了。您可以使用 std::string::find_first_not_of() 。

Answer 2

我想到了使用 C strspn() 。

if (strspn(dnasequence, "ATCG") < strlen(dnasequence)) {
    /* bad character found */
}

Answer 3

您当然可以使用正则表达式。但为什么不保持简单呢？

bool is_valid_base(char base) {
    switch (std::toupper(base)) {
        case 'A': case 'C': case 'G': case 'T': return true;
        default: return false;
    }
}

bool is_valid_dna(std::string sequence) {
    for (std::string::const_iterator i = sequence.begin(), end = sequence.end();
            i != end; ++i)
        if (not is_valid_base(*i))
            return false;
    return true;
}

Answer 4

如果您想使用正则表达式来解决此问题，这里是一个检查一个无效字符的正则表达式：

[^CGAT]

或者这是一个用于验证整个序列的正则表达式：

^[CGAT]+$

非常简单。

编辑：删除了不相关的材料。

Answer 5

R 代表潜在的 DNA 对（“字母”）吗？
如果是这样，为了正确显示或准确解释整个序列，碱基对的排序至关重要。

在密码子中。确定R在哪个位置？ RAA、ARA、AAR，了解这一点非常重要。然后通过定义它们的属性来处理它们。

如果它只是垃圾或可能是数据存储中剩余的数据。循环并删除。