studio - superponer graficas en r

R extraer parte de la cadena

Question

Tengo una pregunta acerca de cómo extraer una parte de una cadena. Por ejemplo tengo una cadena como esta:

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"

Necesito extraer todo entre GN= y ; .Así que aquí será NOC2L .

¿Es eso posible?

Nota: Este es el formato de archivo VCF en forma de columna INFO . GN es el nombre del gen, por lo que queremos extraer el nombre del gen de la columna INFO .

Answer 1

Como la cadena proviene del archivo VCF, podemos usar el paquete VariantAnnotation :

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

En el ejemplo anterior, el objeto VCF no tiene una columna "GN", pero la idea es la misma, por lo que en su caso, a continuación debería funcionar:

# extract gene name
info(vcf)[, "GN"]

Answer 2

Como una alternativa a la combinación de referencias anteriores con sub , puede usar una aserción de mirar por detrás y mirar por delante con una operación de extracción, de esta manera:

library(stringr)
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"
str_extract(a, "(?<=GN=)[^;]*(?=;|$)")
# [1] NOC2L

Dónde:

• (?<=GN=) afirma que GN= debe estar antes del partido
• (?=;|$) afirma ; o el final de la cadena ( $ ) debe estar detrás (después) de la coincidencia
• [^;]* coincide con cualquier número de caracteres que no lo sean ;

Nota: [^;]* se utilizó sobre .* Ya que este último podría coincidir con a ; y continuar haciendo coincidir hasta el final de la cadena ( $ ).

Answer 3

Prueba esto:

sub(".*?GN=(.*?);.*", "//1", a)
# [1] "NOC2L"

Answer 4

Suponiendo que los puntos y comas separan sus elementos, y los signos de igual se producen exclusivamente entre los pares clave / valor, un método no regex estrictamente sería:

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"  

Entonces solo es cuestión de seleccionar el elemento apropiado.

Answer 5

Una forma sería:

gsub(".+=(//w+);.+", "//1", a, perl=T)

Estoy seguro de que hay formas más elegantes de hacerlo.

Answer 6

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)