R 索引字符串，字符块表示核苷酸变体
R indexing string with character blocks denoting nucleotide variants
我的问题是我需要在字符串中找到一个位置，其中我有字符块，实际上应该只是一个字符位置。我正在处理核苷酸序列，我需要跟踪序列中的位置，但我有一些位置存在变体，这些变体被表示为 [A/T]，其中可能存在 A 或 T，具体取决于我关心哪个序列（这是两个相似的 DNA 序列，在整个序列中有几个位置不同）。因此，对于这些变异位点中的每一个，序列的长度都多了四 characters/positions。
我知道我可以通过编写新代码来解决这个问题，其中 [A/T] 可以转换为 X，而 [T/A] 由 Y 表示，但这会让人感到困惑因为已经有一个标准的简并代码，但它不会跟踪哪个核苷酸来自哪个品系（对我来说，/ 之前的那个来自品系 A，/ 之后的那个来自品系 B）。我想以某种方式索引这个 DNA 序列字符串，我在下面这样想：
如果我有这样的字符串：
dna <- "ATC[A/T]G[G/C]ATTACAATCG"
我想要一个 table/data.frame:
pos nuc
1 A
2 T
3 C
4 [A/T]
5 G
6 [G/C]
... and so on
如果我更了解正则表达式，我觉得我可以以某种方式使用 strplit。我可以在每个字符处插入条件以拆分，除非被方括号约束，方括号应作为一个块保留吗？
这是一个简单的方法来获取括号中字符以外的所有内容：
strsplit(dna, '\[[A-Z]/[A-Z]\]')
[[1]]
[1] "ATC" "G" "ATTACAATCG"
也许否定会给你括号内的任何东西，或者在我列出的参数中使用正则表达式。
编辑：
这是可以让您了解括号之间内容的代码：
lbracket <- as.numeric(unlist(gregexpr('\[', dna)))
rbracket <- as.numeric(unlist(gregexpr('\]', dna)))
mapply(function(x, y) substr(dna, start=x, stop=y), lbracket, rbracket)
[1] "[A/T]" "[G/C]"
应该可以。
library('stringr')
df <- as.data.frame(strsplit(gsub("\[./.\]", '_', dna), ''), stringsAsFactors=F)
df[,1][df[,1] == '_'] <- str_extract_all(dna, "\[./.\]")[[1]];names(df) <- 'nuc'
df
# nuc
# 1 A
# 2 T
# 3 C
# 4 [A/T]
# 5 G
# 6 [G/C]
# 7 A
# 8 T
# 9 T
# 10 A
# 11 C
# 12 A
# 13 A
# 14 T
# 15 C
# 16 G
这是另一个
dna <- "ATC[A/T]G[G/C]ATTACAATCG"
(tmp <- gsub('(\w)(\w)','~\1~\2~', dna))
# [1] "~A~T~C[A/T]G[G/C]~A~T~~T~A~~C~A~~A~T~~C~G~"
(nuc <- Filter(nzchar, strsplit(gsub("(\[.+?\])","~\1~", tmp), '~')[[1]]))
# [1] "A" "T" "C" "[A/T]" "G" "[G/C]" "A" "T" "T"
# [10] "A" "C" "A" "A" "T" "C" "G"
data.frame(nuc)
# nuc
# 1 A
# 2 T
# 3 C
# 4 [A/T]
# 5 G
# 6 [G/C]
# 7 A
# 8 T
# 9 T
# 10 A
# 11 C
# 12 A
# 13 A
# 14 T
# 15 C
# 16 G
我是那种喜欢简单的人，这里有一个小技巧...
x <- 'ATC[A/T]G[G/C]ATTACAATCG'
data.frame(nuc = regmatches(x, gregexpr('\[[^]]*]|.', x))[[1]])
# nuc
# 1 A
# 2 T
# 3 C
# 4 [A/T]
# 5 G
# 6 [G/C]
# 7 A
# 8 T
# 9 T
# 10 A
# 11 C
# 12 A
# 13 A
# 14 T
# 15 C
# 16 G
上面的正则表达式使用交替，在左边我们匹配方括号内的子字符串，在右边我们使用.匹配任何单个字符。
我的问题是我需要在字符串中找到一个位置，其中我有字符块，实际上应该只是一个字符位置。我正在处理核苷酸序列，我需要跟踪序列中的位置，但我有一些位置存在变体，这些变体被表示为 [A/T]，其中可能存在 A 或 T，具体取决于我关心哪个序列（这是两个相似的 DNA 序列，在整个序列中有几个位置不同）。因此，对于这些变异位点中的每一个，序列的长度都多了四 characters/positions。
我知道我可以通过编写新代码来解决这个问题，其中 [A/T] 可以转换为 X，而 [T/A] 由 Y 表示，但这会让人感到困惑因为已经有一个标准的简并代码，但它不会跟踪哪个核苷酸来自哪个品系（对我来说，/ 之前的那个来自品系 A，/ 之后的那个来自品系 B）。我想以某种方式索引这个 DNA 序列字符串，我在下面这样想：
如果我有这样的字符串：
dna <- "ATC[A/T]G[G/C]ATTACAATCG"
我想要一个 table/data.frame:
pos nuc
1 A
2 T
3 C
4 [A/T]
5 G
6 [G/C]
... and so on
如果我更了解正则表达式，我觉得我可以以某种方式使用 strplit。我可以在每个字符处插入条件以拆分，除非被方括号约束，方括号应作为一个块保留吗？
这是一个简单的方法来获取括号中字符以外的所有内容：
strsplit(dna, '\[[A-Z]/[A-Z]\]')
[[1]]
[1] "ATC" "G" "ATTACAATCG"
也许否定会给你括号内的任何东西，或者在我列出的参数中使用正则表达式。
编辑： 这是可以让您了解括号之间内容的代码：
lbracket <- as.numeric(unlist(gregexpr('\[', dna)))
rbracket <- as.numeric(unlist(gregexpr('\]', dna)))
mapply(function(x, y) substr(dna, start=x, stop=y), lbracket, rbracket)
[1] "[A/T]" "[G/C]"
应该可以。
library('stringr')
df <- as.data.frame(strsplit(gsub("\[./.\]", '_', dna), ''), stringsAsFactors=F)
df[,1][df[,1] == '_'] <- str_extract_all(dna, "\[./.\]")[[1]];names(df) <- 'nuc'
df
# nuc
# 1 A
# 2 T
# 3 C
# 4 [A/T]
# 5 G
# 6 [G/C]
# 7 A
# 8 T
# 9 T
# 10 A
# 11 C
# 12 A
# 13 A
# 14 T
# 15 C
# 16 G
这是另一个
dna <- "ATC[A/T]G[G/C]ATTACAATCG"
(tmp <- gsub('(\w)(\w)','~\1~\2~', dna))
# [1] "~A~T~C[A/T]G[G/C]~A~T~~T~A~~C~A~~A~T~~C~G~"
(nuc <- Filter(nzchar, strsplit(gsub("(\[.+?\])","~\1~", tmp), '~')[[1]]))
# [1] "A" "T" "C" "[A/T]" "G" "[G/C]" "A" "T" "T"
# [10] "A" "C" "A" "A" "T" "C" "G"
data.frame(nuc)
# nuc
# 1 A
# 2 T
# 3 C
# 4 [A/T]
# 5 G
# 6 [G/C]
# 7 A
# 8 T
# 9 T
# 10 A
# 11 C
# 12 A
# 13 A
# 14 T
# 15 C
# 16 G
我是那种喜欢简单的人，这里有一个小技巧...
x <- 'ATC[A/T]G[G/C]ATTACAATCG'
data.frame(nuc = regmatches(x, gregexpr('\[[^]]*]|.', x))[[1]])
# nuc
# 1 A
# 2 T
# 3 C
# 4 [A/T]
# 5 G
# 6 [G/C]
# 7 A
# 8 T
# 9 T
# 10 A
# 11 C
# 12 A
# 13 A
# 14 T
# 15 C
# 16 G
上面的正则表达式使用交替，在左边我们匹配方括号内的子字符串，在右边我们使用.匹配任何单个字符。