SQL-leetcode—3475. DNA 模式识别 - 详解

3475. DNA 模式识别

表：Samples

±---------------±--------+
| Column Name | Type |
±---------------±--------+
| sample_id | int |
| dna_sequence | varchar |
| species | varchar |
±---------------±--------+
sample_id 是这张表的唯一主键。
每一行包含一个 DNA 序列以一个字符（A，T，G，C）组成的字符串表示以及它所采集自的物种。
生物学家正在研究 DNA 序列中的基本模式。编写一个解决方案以识别具有以下模式的 sample_id：

以 ATG 开头 的序列（一个常见的 起始密码子）
以 TAA，TAG 或 TGA 结尾 的序列（终止密码子）
包含基序 ATAT 的序列（一个简单重复模式）
有 至少 3 个连续 G 的序列（如 GGG 或 GGGG）
返回结果表以 sample_id 升序 排序。

结果格式如下所示。

示例：

输入：

Samples 表：

±----------±-----------------±----------+
| sample_id | dna_sequence | species |
±----------±-----------------±----------+
| 1 | ATGCTAGCTAGCTAA | Human |
| 2 | GGGTCAATCATC | Human |
| 3 | ATATATCGTAGCTA | Human |
| 4 | ATGGGGTCATCATAA | Mouse |
| 5 | TCAGTCAGTCAG | Mouse |
| 6 | ATATCGCGCTAG | Zebrafish |
| 7 | CGTATGCGTCGTA | Zebrafish |
±----------±-----------------±----------+
输出：

±----------±-----------------±------------±------------±-----------±-----------±-----------+
| sample_id | dna_sequence | species | has_start | has_stop | has_atat | has_ggg |
±----------±-----------------±------------±------------±-----------±-----------±-----------+
| 1 | ATGCTAGCTAGCTAA | Human | 1 | 1 | 0 | 0 |
| 2 | GGGTCAATCATC | Human | 0 | 0 | 0 | 1 |
| 3 | ATATATCGTAGCTA | Human | 0 | 0 | 1 | 0 |
| 4 | ATGGGGTCATCATAA | Mouse | 1 | 1 | 0 | 1 |
| 5 | TCAGTCAGTCAG | Mouse | 0 | 0 | 0 | 0 |
| 6 | ATATCGCGCTAG | Zebrafish | 0 | 1 | 1 | 0 |
| 7 | CGTATGCGTCGTA | Zebrafish | 0 | 0 | 0 | 0 |
±----------±-----------------±------------±------------±-----------±-----------±-----------+
解释：

样本 1（ATGCTAGCTAGCTAA）：
以 ATG 开头（has_start = 1）
以 TAA 结尾（has_stop = 1）
不囊括 ATAT（has_atat = 0）
不包含至少 3 个连续 ‘G’（has_ggg = 0）
样本 2（GGGTCAATCATC）：
不以 ATG 开头（has_start = 0）
不以 TAA，TAG 或 TGA 结尾（has_stop = 0）
不包含 ATAT（has_atat = 0）
包含 GGG（has_ggg = 1）
样本 3（ATATATCGTAGCTA）：
不以 ATG 开头（has_start = 0）
不以 TAA，TAG 或 TGA 结尾（has_stop = 0）
涵盖 ATAT（has_atat = 1）
不包括至少 3 个连续 ‘G’（has_ggg = 0）
样本 4（ATGGGGTCATCATAA）：
以 ATG 开头（has_start = 1）
以 TAA 结尾（has_stop = 1）
不包含 ATAT（has_atat = 0）
包含 GGGG（has_ggg = 1）
样本 5（TCAGTCAGTCAG）：
不匹配任何模式（所有字段 = 0）
样本 6（ATATCGCGCTAG）：
不以 ATG 开头（has_start = 0）
以 TAG 结尾（has_stop = 1）
包含 ATAT（has_atat = 1）
不包含至少 3 个连续 ‘G’（has_ggg = 0）
样本 7（CGTATGCGTCGTA）：
不以 ATG 开头（has_start = 0）
不以 TAA，TAG 或 TGA 结尾（has_stop = 0）
不包含 ATAT（has_atat = 0）
不包括至少 3 个连续 ‘G’（has_ggg = 0）
注意：

结果以 sample_id 升序排序
对于每个模式，1 表示该模式存在，0 表示不存在

题解

分析需求中的 4 个判断条件

• has_start：dna_sequence 以 ATG 开头 → 符合为 1，否则为 0。
• has_stop：dna_sequence 以 TAA、TAG 或 TGA 结尾 → 符合为 1，否则为 0。
• has_atat：dna_sequence 包含子串 ATAT → 符合为 1，否则为 0。
• has_ggg：dna_sequence 包含至少 3 个连续的 G（即 GGG 或更多，如 GGGG）→ 符合为 1，否则为 0。

方法一

SELECT
  sample_id,
  dna_sequence,
  species,
  -- 判断是否以 ATG 开头
  CASE WHEN dna_sequence LIKE 'ATG%' THEN 1 ELSE 0 END AS has_start,
  -- 判断是否以 TAA、TAG 或 TGA 结尾
  CASE
    WHEN dna_sequence LIKE '%TAA'
      OR dna_sequence LIKE '%TAG'
      OR dna_sequence LIKE '%TGA'
    THEN 1 ELSE 0
  END AS has_stop,
  -- 判断是否包含 ATAT 子串
  CASE WHEN dna_sequence LIKE '%ATAT%' THEN 1 ELSE 0 END AS has_atat,
  -- 判断是否包含至少 3 个连续的 G（GGG 及以上）
  CASE WHEN dna_sequence LIKE '%GGG%' THEN 1 ELSE 0 END AS has_ggg
FROM Samples
ORDER BY sample_id ASC; -- 按 sample_id 升序排序