特定の文字列の抽出について

質問

GGACTTTCA・・・のようにゲノム塩基配列の一部が記してあるファイルから、4個の文字列に、それを逆順にした文字列が続いたもの（CCAGGACC、TGCCCCGTなど）を抽出したプログラムを作成したいのですが、上手く結果が出力できません。
おそらく、最初の任意の4文字を配列に入れ、後半の４つの部分に逆にして入れると思いました。ですが、配列に入れる方法、配列に入れた文字を逆に出力する方法、文字を４つ（もしくは８つ）に限定する方法がわからず、プログラムが動きません。

方法について、意見アドバイス等よろしくお願いします。

回答No.3

kumoz · ベストアンサー

塩基配列のことは知らないので、A, C, G, T の４文字をランダムに並べています。

use strict;
my @char = qw(A C G T);
my $base;
$base .= $char[int(rand 4)] while length($base) < 2000;

print "$&\n" while $base =~ /(.)(.)(.)(.)\4\3\2\1/g; # (1)

print "\n----------\n\n";

foreach my $i (0 .. (length($base) - 8)) { # (2)
print "$&\n" if substr($base, $i) =~ /^(.)(.)(.)(.)\4\3\2\1/;
}

(1) は重複しているもの (例 CCAGGACCCCAG) を抽出しませんが、(2) は抽出します。

お礼

返事が遅くなってしまい、申し訳ありません。
真ん中の（１）の方法でうまくいきました。
回答ありがとうございます。

回答No.2

sakusaker7

つまり、ある8文字の長さのパターンが含まれるかどうかを検出したいということですか?
で、その8文字は4文字+その4文字を反転したもの。と。
#1で8文字のパターンの作り方はわかると思うので、後は単純に検索すればいいだけの話と思うのですが
何が問題なのでしょうか?

つくりかけで期待通り動かないものでもいいので、スクリプトを提示してくださいますか?

あーひょっとして、A,C,G,T で構成されるすべての組み合わせの4+4文字の
文字列を自動で作って検索とかいう話ですか?

お礼

返事が遅くなってしまい、申し訳ありません。
（）を使用した抽出、代入の方法を試してみたところ、上手くいきました。
回答ありがとうございます。

回答No.1

sakusaker7

やりたいことがよく把握できませんが、長さ4の文字列を逆順にするというのは
my $str = 'CCAG';
my $reverse_str = reverse $str;

のように、reverse で得ることができます。

文字を四つに限定というのはやりたいことがなんかよくわからないのでスルー

補足

ありがとうございます。
説明不足で申し訳ないです。
正規表現、パターンマッチを使用します。
ゲノム塩基配列が書いてあるファイルを読み込み、その文字の集合の中から、4個の文字列にそれを反転した文字である8文字を抽出し、表記するというプログラムです。
（例：　・・・CCATGCCCCGTTCA・・・という風にファイルに書いてあったら、TGCCCCGTを抜き出し、表記する）

文字を4つに限定・・・と考えたのは、ATGCCCCGTAのように真ん中で反転していることは同じでも文字数が違うものも抽出してしまうのではないかと考えたからです。