2012-03-15 25 views
19

Ho una domanda sull'estrazione di una parte di una stringa. Per esempio io ho una stringa come questa:R estratto parte della stringa

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" 

ho bisogno di estrarre tutto tra GN= e ; .Quindi qui sarà NOC2L.

È possibile?

Nota: Questo è INFO modulo colonna VCF file format. GN è Gene Name, quindi vogliamo estrarre il nome del gene dalla colonna INFO.

+0

La domanda è un po 'poco chiara, in quanto sembra che la stringa desiderata non sarà sempre seguita da un punto e virgola. – jbaums

risposta

33

provare questo:

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

Grazie a Kohske. E se NOC2L fosse alla fine della linea? allora la linea del buco è selezionata! – Lisann

+0

Com'è esattamente la tua stringa? Potresti fornire un esempio? – kohske

+0

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

3

Un modo potrebbe essere:

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

Sono sicuro che ci sono più eleganti modi per farlo.

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) 
14

Supponendo che il punto e virgola separano gli elementi, e gli uguali segni avvengono esclusivamente tra coppie chiave/valore, un metodo non strettamente-regex sarebbe:

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" 

Poi è solo una questione di scelta appropriato elemento.

1

Mentre la stringa è in arrivo da file VCF, possiamo usare VariantAnnotation pacchetto:

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 

In precedenza oggetto esempio VCF non c'è colonna "GN", ma l'idea è la stessa, così nel tuo caso , di seguito dovrebbe funzionare:

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