R extraer parte de la cadena

Tengo una pregunta sobre la extracción de una parte de una cadena. Por ejemplo, tengo una cadena como esta:R extraer parte de la cadena

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

¿Es esto posible?

Nota: Esto es INFO columna forma VCF file format. GN es Gene Name, por lo que queremos extraer el nombre del gen de la columna INFO.

Fuente

2012-03-15 Lisann

La pregunta es un poco confusa, ya que parece que su cadena deseada no siempre va seguida de un punto y coma. – jbaums

probar esto:

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

Fuente

2012-03-15 13:53:42 kohske

Gracias Kohske. ¿Y qué pasa si NOC2L está al final de la línea? ¡entonces se selecciona la línea del agujero! – Lisann

¿Cómo es exactamente tu cuerda? ¿Podrías dar un ejemplo? – kohske

de esta manera: a <- "DP = 26; AN = 2; DB = 1; AC = 1; MQ = 56; MZ = 0; ST = 5: 10,7: 2; CQ = SYNONYMOUS_CODING; GN = NOC2L – Lisann

Una forma sería:

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

Estoy seguro de que hay formas más elegantes para hacerlo.

Fuente

2012-03-15 13:59:21 johannes

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)

Fuente

2012-03-15 14:00:12

Suponiendo punto y coma separan sus elementos y signos de igual ocurren exclusivamente entre pares clave/valor, un método no estrictamente en expresiones regulares 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 es sólo una cuestión de seleccionar la adecuada elemento.

Fuente

2012-03-15 14:09:50 jbaums

A medida que la cadena está viniendo de archivo VCF, podemos usar VariantAnnotation paquete:

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 objetivo anterior ejemplo VCF no hay ninguna columna "GN", pero la idea es la misma, por lo que en su caso , a continuación debería funcionar:

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

Fuente

2016-12-13 08:51:02 zx8754

Respuesta

Cuestiones relacionadas