Question

我有一个包含遗传信息的数据集。

sub()

数据如下所示：

正如你所看到的，有两行，在第一行中，我有一个我想要修改的基因序列（字符序列）。该字符串是从较长的DNA序列中分组的（第一个序列的原始长度是16983252）。

SNP.position正在给我原始字符串中的字符位置。 SNP.pos.in.subset给了我相同的位置但仅在子集内（就像我在我的子集中以1开始计数一样）。因此对于第一序列：5480045和5480464指的是子集序列中的201ad219。

我想在201和219位置放置一些大括号，以便轻松找到这些位置的字符。

我创建了一个脚本来执行此操作。

structure(list(GenBank.Accession.version = structure(1:2, .Label = c("JH739893", 
"JH751134"), class = "factor"), set = c(17L, 116L), snp.po.200.low = c(5480045, 
-102), snp.po.200.up = c(5480464, 340), SNP.position = list(c(5480245L, 
5480263L), c(98L, 139L)), seq2 = c("TTACATGGCAAGCACTCAATCTGGCTGCAGGGTGTCTGGCCACATACAAAACAAATGCCAAGTCACCTCTTGTCCCAAGGATCAAGACAAATTTGGACAACAAACCACACTGGCAGCCCCCTAGAAGCTTTCAGATATTTTAATGCCATTGAGATGTAGCATCCAGTGTAGACATTATTAGAAGCACAGCAGTTGCACTCGCACCTCCAGGGTGTCCAACATATGCTGGATTCTGGCATTGCTCATGGCAAGTGAGTTGGTGAATTCACAACTAGCCAGGTCATGTCTTCATTGCAGCAGAAAACTCATCAGCATGTCAGGATGAGAAAAGTCAATACAAAGGAAATGTGGGGATGGGATGGGATGGGATGGGATGGGATGGGATGGGATGGGATGGGATGGGATGGGATAGGGGGGTAA", 
"AAAAAAAAAAAAAGAAAAGGGAATTTAAGGAGTCCCAGAGACAGGAGAATTCAGGACAATTTGCACCAATCACTTGCTCCTGGAAAGGAAGGTTGGGCTGATTTGGGGTTGGTAAGCACAGACCTTTCATCCGTTCGTAGAAAGAAGGAAAATTAAATCTCATGGCCTGTTTGTGAAAGGAAATTGCCCAGAATAGCTCTGACAGAATAAGCTATTCCACAATAGCTCCCCATGCGGACACTCCAGCCACTTTGTTCCAGGCTAATTAGTGTGCTTCCAAGCGCAGTAATTATCCTGGAAGGGAAATCTCTCCTCTCCCACAAAGAGTGTTTGCATGGAG"
), seq.length = c(16983252L, 753L), pos.list = list(5480045:5480464, 
    1:340), SNP.pos.in.subset = list(c(201L, 219L), c(98L, 139L
))), .Names = c("GenBank.Accession.version", "set", "snp.po.200.low", 
"snp.po.200.up", "SNP.position", "seq2", "seq.length", "pos.list", 
"SNP.pos.in.subset"), row.names = c(17L, 116L), class = "data.frame")

但是这个脚本给我发了这个错误：

add.target.snp = function(sequences, 
                          pos.start = 200, 
                          pos.end.added = 3, 
                          character.start = "{/",
                          character.end = "}") {
  old = as.character(sequences)
  for(i in 1:length(old)){
    up.else = SNP.position[i]+pos.end.added
    old[i] = gsub(paste0('^(.{',pos.start,'})(.*)$'), paste0('\\1',character.start,'\\2'), old[i])
    old[i] = gsub(paste0('^(.{',up.else,  '})(.*)$'), paste0('\\1',character.end,'\\2'), old[i])
  }

  return(old)
}
output.target = add.target.snp(sequences = df$seq2,
                               pos.start = df$SNP.pos.in.subset, 
                               pos.end.added = 3,
                               character.start = "{/",
                               character.end = "}")

有没有办法可以运行我的脚本，但是包含多个值来围绕“{/ my_value_at_position_201}”和“{/ my_value_at_position_219}”？

最终结果（对于我显示的数据中的第二行）应为

 Error in gsub(paste0("^(.{", pos.start, "})(.*)$"), paste0("\\1", character.start,  : 
  invalid regular expression '^(.{c(201, 219)})(.*)$', reason 'Invalid contents of {}' In addition: Warning message:
In gsub(paste0("^(.{", pos.start, "})(.*)$"), paste0("\\1", character.start,  :
  argument 'pattern' has length > 1 and only the first element will be used

我的脚本的另一个问题是，如果我在向量中添加一些字符（在我的情况下为3个字符：“{/}”），它将移动第二个数字的位置（201,219 + 3） ...有没有办法一次添加括号，以便数字不会改变？

Answer 1

正则表达式是错误的工具。您想使用子串替换。基础substr不允许您替换零长度字符串，但类似的应该起作用：

library(stringi)
library(purrr)

add_bits <- function(sequences, 
  pos.start = 200, 
  pos.end.added = 3, 
  character.start = "{/",
  character.end = "}"
  ) {
    # this row allows for the fact that your string is growing.
    pos.start <- pos.start + c(0, cumsum(rep(nchar(character.start) + 
            nchar(character.end), length(pos.start) -1)))
    for (ps in pos.start) {
      stringi::stri_sub(sequences, ps, length = 0) <- character.start
      stringi::stri_sub(sequences, ps + pos.end.added, length = 0) <- character.end
    }
    sequences
}

tmp <- c("abcde", "123456789")
purrr::map2(tmp, list(c(2,5), 3), add_bits)
## [[1]]
## [1] "a{/b}cd{/e}fg"
## 
## [[2]]
## [1] "12{/3}4567"

Answer 2

这是我尝试使用基础包：

add.target.snp = function(sequences, pos.start = NA,
                          character.start = "{/", character.end = "}"){
  # check input
  pos.start <- sort(pos.start[ pos.start <= nchar(sequences)])

  # split on SNP positions
  snps <- substring(
    sequences, c(1, pos.start), c(pos.start - 1, nchar(sequences)))
  # exclude "" SNP strings
  snps <- snps[ snps != "" ]

  # take 1st char and wrap, then paste the rest as is
  x0 <- ""
  if(!1 %in% pos.start){
    x0 <- snps[1]
    snps <- snps[2:length(snps)]}

  res <- sapply(snps, function(snp){
    x1 <- substr(snp, 1, 1)
    x2 <- substr(snp, 2, max(2, nchar(snp)))

    paste0(paste0(character.start, x1, character.end), x2)})

  # return
  paste(c(x0, res), collapse = "")
}


tmp <- c("abcde", "123456789")
purrr::map2(tmp, list(c(2,5), 3), add.target.snp)
# [[1]]
# [1] "a{/b}cd{/e}"
# 
# [[2]]
# [1] "12{/3}456789"

如何用R中的括号{}包围字符串中的多个字符？

2 个答案: