R语言中使用单词边界过滤通路名称的问题排查

问题背景 #

需要过滤通路名称，仅保留包含HEMATOPOIETIC、ERYTHROCYTE、ERYTHROID、STEM、STEMNESS、HEMATOPOIESIS的通路并绘制柱状图。原脚本因SYSTEM包含STEM，误匹配到REACTOME_NEURONAL_SYSTEM这类非目标通路；尝试给所有关键词加\b单词边界后无匹配结果，仅给STEM加\b能部分匹配，需解决该问题。

示例输入：

gsea_obese <- c(
  "RAMALHO_STEMNESS_UP",
  "IVANOVA_HEMATOPOIESIS_INTERMEDIATE_PROGENITOR",
  "BYSTRYKH_HEMATOPOIESIS_STEM_CELL_QTL_CIS",
  "IVANOVA_HEMATOPOIESIS_EARLY_PROGENITOR",
  "RIZ_ERYTHROID_DIFFERENTIATION",
  "BYSTRYKH_HEMATOPOIESIS_STEM_CELL_AND_BRAIN_QTL_CIS",
  "RIZ_ERYTHROID_DIFFERENTIATION_CCNE1",
  "REACTOME_CYTOKINE_SIGNALING_IN_IMMUNE_SYSTEM",
  "GOBP_ERYTHROCYTE_HOMEOSTASIS",
  "REACTOME_NEURONAL_SYSTEM",
)

现有脚本：

obese <- gsea_obese %>% 
  filter(FDR.q.val < 0.25) %>% 
  filter(NOM.p.val < 0.05) %>% 
  filter(str_detect(NAME, "HEMATOPOIETIC|ERYTHROCYTE|ERYTHROID|STEM|STEMNESS|HEMATOPOIESIS")) %>% 
  arrange(FDR.q.val)

ggplot(obese, aes(reorder(NAME, NES), NES)) +
  geom_col(aes(fill=FDR.q.val)) +
  scale_fill_gradient(low = "blue", high = "red") +
  coord_flip() +
  labs(x="Pathway", y="Normalized Enrichment Score",
       title="Enriched Genes JAK2 vs WT in Obese mice")

原因分析 #

1. 单词边界\b的局限性：正则中\b匹配的是「单词字符（字母、数字、下划线）」与「非单词字符」的边界，但通路名称用下划线_分隔，_属于单词字符，因此STEM前后的下划线无法触发\b边界。比如HEMATOPOIESIS_STEM_CELL里的STEM前后都是下划线，\bSTEM\b无法匹配；而单独给STEM加\b时，仅能匹配到字符串开头或结尾的STEM，无法覆盖所有场景。
2. 原正则的宽泛匹配：原正则直接匹配关键词子串，导致SYSTEM中的STEM被误匹配。

解决方法 #

方案1：匹配下划线或首尾包围的关键词 #

使用正则断言匹配「关键词在字符串开头/结尾，或被下划线包围」的场景，精准定位独立的关键词，避免误匹配。

修改后的过滤语句：

filter(str_detect(NAME, "(?:^|_)(HEMATOPOIETIC|ERYTHROCYTE|ERYTHROID|STEM|STEMNESS|HEMATOPOIESIS)(?:_|$)"))

正则解释：

• (?:^|_)：非捕获组，匹配字符串开头或下划线（关键词的前置边界）
• (HEMATOPOIETIC|ERYTHROCYTE|ERYTHROID|STEM|STEMNESS|HEMATOPOIESIS)：目标关键词组
• (?:_|$)：非捕获组，匹配下划线或字符串结尾（关键词的后置边界）

方案2：替换下划线后使用单词边界 #

先将通路名称中的下划线替换为空格（非单词字符），再用\b匹配独立关键词，适合习惯使用单词边界的场景：

filter(str_detect(str_replace_all(NAME, "_", " "), "\\b(HEMATOPOIETIC|ERYTHROCYTE|ERYTHROID|STEM|STEMNESS|HEMATOPOIESIS)\\b"))

完整修改后的脚本 #

# 模拟包含必要字段的数据框（实际使用时替换为你的真实数据）
obese_df <- tibble(
  NAME = gsea_obese,
  FDR.q.val = runif(length(gsea_obese), 0, 0.3),
  NOM.p.val = runif(length(gsea_obese), 0, 0.1),
  NES = rnorm(length(gsea_obese))
)

obese <- obese_df %>% 
  filter(FDR.q.val < 0.25) %>% 
  filter(NOM.p.val < 0.05) %>% 
  filter(str_detect(NAME, "(?:^|_)(HEMATOPOIETIC|ERYTHROCYTE|ERYTHROID|STEM|STEMNESS|HEMATOPOIESIS)(?:_|$)")) %>% 
  arrange(FDR.q.val)

ggplot(obese, aes(reorder(NAME, NES), NES)) +
  geom_col(aes(fill=FDR.q.val)) +
  scale_fill_gradient(low = "blue", high = "red") +
  coord_flip() +
  labs(x="通路名称", y="标准化富集分数",
       title="肥胖小鼠中JAK2 vs WT的富集基因")

内容的提问来源于stack exchange，提问作者daddabi