R extract часть строки

Question

У меня есть вопрос об извлечении части строки. Например, у меня есть строка, как это:

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" 

Мне нужно извлечь все между GN= и ; .so здесь будет NOC2L.

Возможно ли это?

Примечание: Это INFO Форма столбца VCF file format. GN - это имя гена, поэтому мы хотим извлечь имя гена из колонки INFO.

Answer 1

попробовать это:

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

Answer 2

Один из способов будет:

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

Я уверен, что есть более элегантные способы сделать это.

Answer 3

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) 

Answer 4

Предполагая, что точка с запятой отделить элементы, а равно знаков происходят исключительно между пар ключ/значение, не-строго регулярное выражение метод будет:

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" 

Тогда это просто вопрос выбора соответствующей элемент.

Answer 5

В строке происходит из VCF файла, мы можем использовать VariantAnnotation пакет:

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 

В выше объекта примере VCF нет колонки «GN», но идея та же, так что в вашем случае , ниже должно работать:

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