18、正则表达式与Sed编辑器：从基础到应用

正则表达式与Sed编辑器：从基础到应用

正则表达式基础与应用

正则表达式是一种强大的文本模式匹配工具，在许多领域都有广泛的应用，尤其是在生物信息学中，用于处理DNA和蛋白质序列等数据。

搜索模式与示例

我们可以使用 egrep 命令来查找DNA序列中的重复片段。例如，要在 sequence.dna 文件中查找DNA序列重复，可以使用以下命令：

$ egrep ’([ACTG][ACTG])\1\1’ sequence.dna

这个正则表达式匹配DNA核苷酸双联体的重复。在匹配结果中，如 GGGGGG 、 GTGTGT 和 ATATAT 等都是符合模式的重复序列。

另外，要匹配三联体的反向重复，如 TCAACT 、 GCGGCG 或 AAAAAA ，可以使用以下构造：

egrep ’([ACTG])([ACTG])([ACTG])\3\2\1’ filename

需要注意的是，不能使用 egrep ’([ACTG]){3}\3\2\1’ filename 来实现相同的目的，因为这样会出现“bad back reference”错误，原因是括号必须真实存在，不能用量词