我對提取部分字符串有疑問。例如,我有一個這樣的字符串: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"
我需要在這裏GN=
和;
之間提取的一切。所以這將是NOC2L
。
這可能嗎?
說明:這是INFO
列形式VCF file format。 GN是基因名稱,所以我們想從INFO
列中提取基因名稱。
我對提取部分字符串有疑問。例如,我有一個這樣的字符串: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"
我需要在這裏GN=
和;
之間提取的一切。所以這將是NOC2L
。
這可能嗎?
說明:這是INFO
列形式VCF file format。 GN是基因名稱,所以我們想從INFO
列中提取基因名稱。
試試這個:
> sub(".*?GN=(.*?);.*", "\\1", a)
[1] "NOC2L"
一種方法是:
gsub(".+=(\\w+);.+", "\\1", a, perl=T)
我相信有更優雅的方式來做到這一點。
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)
假設分號分隔的元素,和鍵/值對之間僅僅發生的跡象等於,非嚴格的正則表達式的方法是:
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"
然後,它只是一個選擇適當的事元件。
由於字符串是從VCF文件來了,我們就可以使用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對象不存在「GN」一欄,但這個想法是一樣的,所以你的情況,下面應該工作:
# extract gene name
info(vcf)[, "GN"]
問題是有點不清楚,因爲它似乎你所期望的字符串不會總是後面跟一個分號。 – jbaums 2012-03-15 14:12:45