web-dev-qa-db-ja.com

R文字列の一部を抽出

文字列の一部の抽出について質問があります。たとえば、次のような文字列があります。

a <- "DP=26;AN=2;DB=1;AC=1;MQ=56;MZ=0;ST=5:10,7:2;CQ=SYNONYMOUS_CODING;GN=NOC2L;PA=1^1:0.720&2^1:0"

GN=と;の間のすべてを抽出する必要があるため、ここではNOC2Lになります。

それは可能ですか？

注：これはINFO列形式 VCFファイル形式 です。 GNは遺伝子名なので、INFO列から遺伝子名を抽出します。

rregexstringextractbioinformatics
19
Lisann

これを試して：

sub(".*?GN=(.*?);.*", "\\1", a)
# [1] "NOC2L"
33
kohske

セミコロンで要素を分離し、等号がキーと値のペア間でのみ発生するとすると、厳密に正規表現ではないメソッドは次のようになります。

bits <- unlist(strsplit(a, ';'))
do.call(rbind, strsplit(bits, '='))

      [,1] [,2]               
 [1,] "DP" "26"               
 [2,] "AN" "2"                
 [3,] "DB" "1"                
 [4,] "AC" "1"                
 [5,] "MQ" "56"               
 [6,] "MZ" "0"                
 [7,] "ST" "5:10,7:2"         
 [8,] "CQ" "SYNONYMOUS_CODING"
 [9,] "GN" "NOC2L"            
[10,] "PA" "1^1:0.720&2^1:0"

次に、適切な要素を選択するだけです。

14
jbaums

1つの方法は次のとおりです。

gsub(".+=(\\w+);.+", "\\1", a, Perl=T)

もっとエレガントな方法があるはずです。

3
johannes
a <- "DP=26;AN=2;DB=1;AC=1;MQ=56;MZ=0;ST=5:10,7:2;CQ=SYNONYMOUS_CODING;GN=NOC2L;PA=1^1:0.720&2^1:0"
m = regexpr("GN.*;",a)
substr(a,m+3,m+attr(m,"match.length")-2)
3
Davy Kavanagh

文字列はVCFファイルから取得されるため、 VariantAnnotation パッケージを使用できます。

library(VariantAnnotation)

# read dummy VCF file
fl <- system.file("extdata", "chr22.vcf.gz", package="VariantAnnotation")
vcf <- readVcf(fl, "hg19")

# see first 5 variables for info column
info(vcf)[1:3, 1:5]
# DataFrame with 3 rows and 5 columns
#                  LDAF   AVGPOST       RSQ     ERATE     THETA
#             <numeric> <numeric> <numeric> <numeric> <numeric>
# rs7410291      0.3431    0.9890    0.9856     2e-03    0.0005
# rs147922003    0.0091    0.9963    0.8398     5e-04    0.0011
# rs114143073    0.0098    0.9891    0.5919     7e-04    0.0008

# Now extract one column, e.g.: LDAF
info(vcf)[1:3, "LDAF"]
# [1] 0.3431 0.0091 0.0098

上記の例のVCFオブジェクトには「GN」列はありませんが、考え方は同じなので、あなたの場合、以下が機能するはずです。

# extract gene name
info(vcf)[, "GN"]
1
zx8754

逆参照をsubと組み合わせる代わりに、次のように、抽出操作で先読みおよび先読みアサーションを使用できます。

library(stringr)
a <- "DP=26;AN=2;DB=1;AC=1;MQ=56;MZ=0;ST=5:10,7:2;CQ=SYNONYMOUS_CODING;GN=NOC2L;PA=1^1:0.720&2^1:0"
str_extract(a, "(?<=GN=)[^;]*(?=;|$)")
# [1] NOC2L

どこ：

  • (?<=GN=)がアサートするGN=は試合の前でなければならない
  • (?=;|$)アサート;または文字列の終わり（$）は、一致の後ろ（後）でなければなりません
  • [^;]*は、;以外の任意の数の文字に一致します

注：[^;]*は.*よりも使用されました。後者は;に一致し、文字列の最後（$）まで一致し続ける可能性があるためです。

0
MilesMcBain