我对提取部分字符串有疑问。例如,我有一个这样的字符串:R提取部分字符串
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"
我需要在这里GN=
和;
之间提取的一切。所以这将是NOC2L
。
这可能吗?
说明:这是INFO
列形式VCF file format。 GN是基因名称,所以我们想从INFO
列中提取基因名称。
我对提取部分字符串有疑问。例如,我有一个这样的字符串:R提取部分字符串
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"
我需要在这里GN=
和;
之间提取的一切。所以这将是NOC2L
。
这可能吗?
说明:这是INFO
列形式VCF file format。 GN是基因名称,所以我们想从INFO
列中提取基因名称。
试试这个:
> sub(".*?GN=(.*?);.*", "\\1", a)
[1] "NOC2L"
一种方法是:
gsub(".+=(\\w+);.+", "\\1", a, perl=T)
我相信有更优雅的方式来做到这一点。
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)
假设分号分隔的元素,和键/值对之间仅仅发生的迹象等于,非严格的正则表达式的方法是:
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"
然后,它只是一个选择适当的事元件。
由于字符串是从VCF文件来了,我们就可以使用VariantAnnotation包:
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
在上面的例子中VCF对象不存在“GN”一栏,但这个想法是一样的,所以你的情况,下面应该工作:
# extract gene name
info(vcf)[, "GN"]
问题是有点不清楚,因为它似乎你所期望的字符串不会总是后面跟一个分号。 – jbaums 2012-03-15 14:12:45