正規表現：2つのマーカー間でDNA情報を抽出

Question

ファイルからDNA情報を抽出しようとしています。 塩基GCATからなるDNAデータの前に、単語ORIGINがあり、その後に//がある。これらのマーカー間にこれらの塩基を得るために正規表現を書くにはどうすればよいですか？

私は以下を試しましたが、動作しません。

[ORIGIN(GCATgcat)////] 

サンプルデータ：

ORIGIN  
    1 acagatgaag acagatgaag acagatgaag acagatgaag 
    2 acagatgaag acagatgaag acagatgaag acagatgaag 
// 

Answer 1

それが中に埋め込まれたそれらの文字と一致しないように単語の境界（囲ま（大文字または小文字）の任意GCAT文字列にマッチした「\\b([GCATgcat]+)\\b」このパターンを試してみてください「カタログ」という単語のような他の文字列）。サンプルファイルでこの正規表現を繰り返しスキャンすると、各シーケンスが抽出されます。

はここにあなたのサンプルファイルのための作業例です：正規表現の超ウィザードていない人たちのすべてのために

// Locate the substring between "ORIGIN" and "//" in the file. 
String fileContents = getSampleFileContents(); 
int indexOfOrigin = fileContents.indexOf("ORIGIN"); 
String pertinentSection = fileContents.substring(
    indexOfOrigin, fileContents.indexOf("//", indexOfOrigin)); 

// Search for sequences within the pertinent substring. 
Pattern p = Pattern.compile("\\b([GCATgcat]+)\\b"); 
Matcher m = p.matcher(pertinentSection); 
List<String> sequences = new ArrayList<String>(); 
while (m.find()) { 
    sequences.add(m.group(1)); 
} 
sequences.toString(); // => ["acagatgaag", "acagatgaag", ..., "acagatgaag"] 

Answer 2

、私は2つのステップのアプローチをお勧めしたいです。数字や改行などの明らかな裂け目を取り除き、マッチを行います。例えば

public class Regex { 

    static String NL = "\n"; 
    static String INPUT = "stuff at beginning ORIGIN" + NL + 
    "1 acagatgaag acagatgaag acagatgaag acagatgaag" + NL + NL + 
    "2 acagatgaag acagatgaag acagatgaag acagatgaag" + NL + 
    "// I added stuff here at the end that should be ignored"; 

    public static void main(String[] args) { 
     Pattern removePattern = Pattern.compile("[\\r\\n \\t\\d]+"); 
     Pattern findPattern = Pattern.compile("ORIGIN[GCATgcat]+//"); 

     Matcher removeMatcher = removePattern.matcher(INPUT); 
     String clean = removeMatcher.replaceAll(""); 

     Matcher findMatcher = findPattern.matcher(clean); 
     if (findMatcher.find()) { 
     System.out.println(findMatcher.group()); 
     } 
    } 
}