将匹配的字符串替换为其子组

Question

我要处理一些DNA序列，它们看起来像：

>KU508975.1 Acalypha australis maturase K (matK) gene, partial cds; chloroplast
TAAATTATGTGTCAGAGCTATTAATACCTTACCCCATCCATCTAGAAAAATGGGTTCAAATTCTTCGATA
TTGGCTGAAAGATCCCTCTTCTTTGCATTTATTACGACTCTTTCTTCATGAATATTGGAATTGGAACTGT
TTTCTTATTCCAAAGAAATCGATTGCTATTTTTACAAAAAGTAATCCAAGATTTTTCTTGTTTCTATATA

>KC747175.1 Achyranthes bidentata bio-material USDA:GRIN:PI613015 maturase K (matK) gene, partial cds; chloroplast
GATATATTAATACCTTACCCCGCTCATCTAGAAATCTTGGTTCAAACTCTCCGATACTGGTTGAAAGATG
CTTCTTCTTTGCATTTATTACGATTCTTTCTTTATGAGTGTCGTAATTGGATTAGTCTTATTACTCCAAA
AAAATCCATTTCCTTTTTGAAAAAAAGGAATCGAAGATTATTCTTGTTCCTATATAATTTCTATGTATGT

我编码了一个正则表达式以检测每个序列的标题行：

(\>)([A-Z]{2}\d{6}\.?\d)\s([a-zA-Z]+\-?[a-zA-Z]+)\s([a-zA-Z]+\-?[a-zA-Z]+)\s(.*)\n

我应该使用什么功能将整个匹配项替换为其group3 + group4？另外，我在一个txt文件中有72个匹配项，如何一次运行即可替换它们？

Answer 1

您的当前正则表达式不适用于第3组或第4组包含单个字母词的行，因为[a-zA-Z]+\\-?[a-zA-Z]+匹配1+个字母，然后是可选的连字符，再匹配1+个字母（这意味着必须至少2个字母）。使用[a-zA-Z]+(?:-[a-zA-Z]+)?，您可以匹配1+个字母，后跟-的可选序列，再匹配1+个字母。

此外，\s也匹配换行符，如果标题行比您想象的短，那么.*可能会错误地抓住序列行。您可以改用\h或[ \t]。

请注意，\n不需要在模式末尾，因为.*可以将除换行符之外的任何0+字符与ICU正则表达式库匹配（在当前代码{ {1}}。

通常，您只应使用str_replace_all捕获需要保留的内容，其他所有内容都可以匹配。删除多余的捕获括号，这样可以节省一些性能。

如果在行首添加(...)，请确保仅匹配行首的(?m)^。

您可以使用

>

请参见regex demo。

代码：

"(?m)^>[A-Z]{2}\\d{6}\\.?\\d\\h+([a-zA-Z]+(?:-[a-zA-Z]+)?)\\h+([a-zA-Z]+(?:-[a-zA-Z]+)?).*"

Answer 2

我自己用tidyverse软件包弄清楚了：

library(tidyverse)

SequenceRaw <- read_file("PATH OF SEQUENCE FILE\\sequenceraw.fasta") ## e.g. sequenceraw.fasta

Sequence <- str_replace_all(SequenceRaw, 
    "(\\>)([A-Z]{2}\\d{6}\\.?\\d)\\s([a-zA-Z]+\\-?[a-zA-Z]+)\\s([a-zA-Z]+\\-?[a-zA-Z]+)\\s(.*)\\n", 
    ">\\3 \\4\n") ## Keep '>' and add a new line with '\n'

write_file(Sequence, "YOUR PATH\\sequence.fasta")

结果如下：