Question

我有一个蛋白质蛋白质组数据框，其中有几列。其中之一就是“描述”，其中包含蛋白质，操作系统，基因名称（GN），PE和SV的名称，如下所示。

> head(pccmit$Description)
[1] "Protein NDRG4 OS=Homo sapiens GN=NDRG4 PE=1 SV=2"                                   
[2] "V-type proton ATPase subunit B_ brain isoform OS=Homo sapiens GN=ATP6V1B2 PE=1 SV=3"
[3] "Serotransferrin OS=Homo sapiens GN=TF PE=1 SV=3"                                    
[4] "Glutaminase kidney isoform_ mitochondrial OS=Homo sapiens GN=GLS PE=1 SV=1"         
[5] "Adenylate kinase isoenzyme 1 OS=Homo sapiens GN=AK1 PE=1 SV=3"                      
[6] "Sideroflexin-1 OS=Homo sapiens GN=SFXN1 PE=1 SV=4"

然后，我只想提取这些蛋白质的基因名称

我尝试使用：str_extract工具，但是它不起作用。也许是因为我没有使用该工具所需的正确模式

str_extract(A$Description, start = "GN=", end = " PE")

我想要一个带有这些基因名称的数据框

> head(pccmit$Description)
[1] NDRG4
[2] ATP6V1B2
[3] TF

谢谢大家，

Answer 1

使用stringr软件包：

library(stringr)
str_extract(pccmit$Description, "(?<=GN=).*(?= PE)")

(?<=GN=)在GN=之后落后，(?= PE)在= PE之前领先，.*匹配中间的所有事物。

Answer 2

这里有一些替代方法。除（5）外，不使用任何软件包。

1）子使用注释末尾的Lines，并假设基因名称不包含任何空格，这将匹配GN =之前的所有内容，然后捕获后续的非-whitespace，然后匹配所有内容，将所有内容替换为捕获的部分，即GN =后的非空白。不使用任何软件包。

sub(".*GN=(\\S+).*", "\\1", Lines)
## [1] "NDRG4"    "ATP6V1B2" "TF"       "GLS"      "AK1"      "SFXN1"

2）：另一种方法是删除所有直到GN =并包括GN =的内容，然后删除随后的空白处的所有内容：

gsub(".*GN=|\\s.*", "", Lines)
## [1] "NDRG4"    "ATP6V1B2" "TF"       "GLS"      "AK1"      "SFXN1"

3）read.dcf 另一种方法是将数据转换为DCF格式，然后使用read.dcf进行读取。这将解析所有字段并从数据本身产生矩阵m派生其名称。

g <- paste0("\nX:", gsub("(\\S+)=", "\n\\1:", Lines))

m <- read.dcf(textConnection(g))
m
##      X                                               OS             GN         PE  SV 
## [1,] "Protein NDRG4"                                 "Homo sapiens" "NDRG4"    "1" "2"
## [2,] "V-type proton ATPase subunit B_ brain isoform" "Homo sapiens" "ATP6V1B2" "1" "3"
## [3,] "Serotransferrin"                               "Homo sapiens" "TF"       "1" "3"
## [4,] "Glutaminase kidney isoform_ mitochondrial"     "Homo sapiens" "GLS"      "1" "1"
## [5,] "Adenylate kinase isoenzyme 1"                  "Homo sapiens" "AK1"      "1" "3"
## [6,] "Sideroflexin-1"                                "Homo sapiens" "SFXN1"    "1" "4"

m[, "GN"]
## [1] "NDRG4"    "ATP6V1B2" "TF"       "GLS"      "AK1"      "SFXN1"

4）捕获解析所有字段的另一种方法是使用strcapture。这将返回一个数据帧，而read.dcf将返回一个矩阵。此解决方案要求我们指定字段，而（3）导出它们。

strcapture("(.*) OS=(.*) GN=(.*) PE=(.*) SV=(.*)", Lines,
  list(X = character(0), OS = character(0), GN = character(0), 
    PE = numeric(0), SV = numeric(0)))

提供此data.frame：

                                              X           OS       GN PE SV
1                                 Protein NDRG4 Homo sapiens    NDRG4  1  2
2 V-type proton ATPase subunit B_ brain isoform Homo sapiens ATP6V1B2  1  3
3                               Serotransferrin Homo sapiens       TF  1  3
4     Glutaminase kidney isoform_ mitochondrial Homo sapiens      GLS  1  1
5                  Adenylate kinase isoenzyme 1 Homo sapiens      AK1  1  3
6                                Sideroflexin-1 Homo sapiens    SFXN1  1  4

如果DF是该数据帧，则DF $ GN是基因名称。

5）stripplyc 指定一个由GN =组成的模式，后跟非空白，然后将其放入捕获组中，然后将其返回。这是这里所有替代方案中最简单的正则表达式。

library(gsubfn)
strapplyc(Lines, "GN=(\\S+)", simplify = TRUE)
## [1] "NDRG4"    "ATP6V1B2" "TF"       "GLS"      "AK1"      "SFXN1"

注意

Lines <- c("Protein NDRG4 OS=Homo sapiens GN=NDRG4 PE=1 SV=2",
 "V-type proton ATPase subunit B_ brain isoform OS=Homo sapiens GN=ATP6V1B2 PE=1 SV=3",
 "Serotransferrin OS=Homo sapiens GN=TF PE=1 SV=3",
 "Glutaminase kidney isoform_ mitochondrial OS=Homo sapiens GN=GLS PE=1 SV=1",
 "Adenylate kinase isoenzyme 1 OS=Homo sapiens GN=AK1 PE=1 SV=3",        
 "Sideroflexin-1 OS=Homo sapiens GN=SFXN1 PE=1 SV=4")

Answer 3

这是另一种方法（以R为底），与这里的其他答案相比当然不好，但是如果您对正则表达式不好，可以（我想）-

x <- "Protein NDRG4 OS=Homo sapiens GN=NDRG4 PE=1 SV=2"

strsplit(x, " ") %>% 
  unlist() %>% 
  grep(pattern = "GN=", ., value = T) %>% 
  sub("GN=", "", .)

[1] "NDRG4"

Answer 4

另一种基本方法可能是：

regmatches( Lines, gregexpr( "(?<=GN=).*?(?= PE)", Lines, perl = TRUE ) )

如何在R中的数据框中提取字符串的中间部分？

4 个答案:

注意