如何从R中的字符串中找到子字符串？答案

【问题标题】：How to find substring from string in R?如何从R中的字符串中找到子字符串？
【发布时间】：2018-11-24 05:40:30
【问题描述】：

如果我的字符串是 DNA 序列，

x<-"TATAATGCAACGAGGGGCATAATTATATATGCCCAAAATCTGATATAATGACCGGGTAG"

我想从 ATG 中提取子串到 TAA、TGA 或 TAG。我可以通过使用带有正则表达式的 stringi 包从一个点提取到另一个点。

我的代码是

stri_extract_all(x, regex = "ATG.*?TAA")

帮助我解决我的问题。

【问题讨论】：

from ATG to TAA ... 到 which TAA?在ATG 之后可能有许多TAA 碱基。
TAA 出现在 ATG 之后，是的，一个序列中可能有很多 TAA，我想将它们全部提取出来。但不仅是 TAA，还有 TAG 和 TGA
这可能会起作用：regmatches(x, gregexpr("(?<=ATG).*?(?=TAA)", x, perl = TRUE))。你想用 TGA 和 TAG 做什么？

标签： r regex stringi

【解决方案1】：

我相信您的意思是来自stringr 包的str_extract_all。该函数没有名为regex 的参数；你需要pattern。一旦你做到了，你可以使用 or | 来允许任何序列结尾。

library(stringr)
str_extract_all(x, pattern="ATG.*?(TAA|TGA|TAG)")
[[1]]
[1] "ATGCAACGAGGGGCATAA" "ATGCCCAAAATCTGA"    "ATGACCGGGTAG"

【讨论】：

【解决方案2】：

这是使用Biostrings的可能性：

library("Biostrings")

x <- "TATAATGCAACGAGGGGCATAATTATATATGCCCAAAATCTGATATAATGACCGGGTAG"

# Get all combinations of substrings starting with "ATG" and ending with "TAA"
library(tidyverse)
df <- expand.grid(start(matchPattern("ATG", x)), end(matchPattern("TAA", x))) %>%
    filter(Var1 < Var2);
ir <- IRanges(df[, 1], df[, 2]);

extractAt(BString(x), IRanges(df[, 1], df[, 2]));
#A BStringSet instance of length 3
#  width seq
#[1]    18 ATGCAACGAGGGGCATAA
#[2]    44 ATGCAACGAGGGGCATAATTATATATGCCCAAAATCTGATATAA
#[3]    20 ATGCCCAAAATCTGATATAA

由于您正在处理 DNA 序列数据，我建议您熟悉 Bioconductor 的 Biostrings。除了Biostrings 之外，还有许多 Bioconductor 软件包，当您处理 DNA/RNA 序列数据时，它们会让您的生活变得更轻松（走上正轨）。

更新

要考虑多个终止密码子，只需将 end(matchPattern(...)) 包裹在 sapply 循环中即可。

df <- expand.grid(
    start(matchPattern("ATG", x)),
    unlist(sapply(c("TAA", "TGA", "TAG"), function(ss) end(matchPattern(ss, x))))) %>%
    filter(Var1 < Var2);
ir <- IRanges(df[, 1], df[, 2]);

extractAt(BString(x), IRanges(df[, 1], df[, 2]));
# [1]    18 ATGCAACGAGGGGCATAA
# [2]    44 ATGCAACGAGGGGCATAATTATATATGCCCAAAATCTGATATAA
# [3]    20 ATGCCCAAAATCTGATATAA
# [4]    39 ATGCAACGAGGGGCATAATTATATATGCCCAAAATCTGA
# [5]    15 ATGCCCAAAATCTGA
# ...   ... ...
# [7]    23 ATGCCCAAAATCTGATATAATGA
# [8]     4 ATGA
# [9]    55 ATGCAACGAGGGGCATAATTATATATGCCCAAAATCTGATATAATGACCGGGTAG
#[10]    31 ATGCCCAAAATCTGATATAATGACCGGGTAG
#[11]    12 ATGACCGGGTAG

【讨论】：

但我只是不希望它只停留在 TAA，我的问题是我如何让它从 ATG 开始并停止在序列中找到 TAA、TGA 或 TAG 并提取它并重复它以检查序列中的更多子字符串