如何在 R 中多次使用 grepl 函数

Question

我有一个像 go_id 的矢量和一个像 data 的 data.frame。

go_id <- c("[GO:0000086]", "[GO:0000209]", "[GO:0000278]")


protein_id <- c("Q96IF1","P26371","Q8NHG8","P60372","O75526","Q01130")
bio_process <- c("[GO:0000086]; [GO:0000122]; [GO:0000932]", "[GO:0005829]; [GO:0008544]","[GO:0000209]; [GO:0005737]; [GO:0005765]","NA","[GO:0000398]; [GO:0003729]","[GO:0000278]; [GO:0000381]; [GO:0000398]; [GO:0003714]")
data <- as.data.frame(cbind(protein_id,bio_process))

如何保留 data 中 bio_process 单元格至少包含一个 go_ids 元素的行？我注意到 GO 代码不能在同一个 bio_process 单元格中重复。

更准确地说，我只想接收data.frame的第一行、第三行和第六行。

我试过 for loop 使用 'grepl' 函数，像这样：

go_id <- gsub("GO:","", go_id, fixed = TRUE)
for (i in 1:6) {
  new_data <- data[grepl("\[GO:go_id[i]\]",data$Gene.ontology..biological.process.)]
  }

我知道它不起作用，因为我无法将变量值放入正则表达式中。

对此有什么想法吗？谢谢

Answer 1

我们可以使用 Reduce 和 grepl

data$ind <-  Reduce(`|`, lapply(go_id, function(pat) 
           grepl(pat, data$bio_process, fixed = TRUE)))

data
#  protein_id                                            bio_process   ind
#1     Q96IF1               [GO:0000086]; [GO:0000122]; [GO:0000932]  TRUE
#2     P26371                             [GO:0005829]; [GO:0008544] FALSE
#3     Q8NHG8               [GO:0000209]; [GO:0005737]; [GO:0005765]  TRUE
#4     P60372                                                     NA FALSE
#5     O75526                             [GO:0000398]; [GO:0003729] FALSE
#6     Q01130 [GO:0000278]; [GO:0000381]; [GO:0000398]; [GO:0003714]  TRUE

Answer 2

您应该在 grepl() 中使用 fixed = TRUE :

vect <- rep(FALSE, nrow(data))
for(id in go_id){
  vect <- vect | grepl(id, data$bio_process, fixed = T)
}
data[vect,]

Answer 3

您可以使用 str_extract 进行子集化以在那些独特的子字符串上定义模式：

library(stringr)
data[grepl(paste(str_extract(go_id, "\d{4}]"), collapse="|"),  data$bio_process),]
  protein_id                                            bio_process
1     Q96IF1               [GO:0000086]; [GO:0000122]; [GO:0000932]
3     Q8NHG8               [GO:0000209]; [GO:0005737]; [GO:0005765]
6     Q01130 [GO:0000278]; [GO:0000381]; [GO:0000398]; [GO:0003714]

编辑:

最直接的解决方案是使用 grepl 和 paste0 子集来为元字符 [:

添加转义斜线

data[grepl(paste0("\", go_id, collapse="|"),  data$bio_process),]

如何在 R 中多次使用 grepl 函数

How to use grepl function multiple times, in R

r

grepl