使用R语言去除FASTA标题冗余字符的技术求助

需求说明 #

原始FASTA标题：

AB753217|Influenza A virus (A/African Stonechat/Vietnam/8/2009(H9N2)) |H9N2 |4 (HA)|2009-11-12

需要转换为目标格式：

AB753217|A/African Stonechat/Vietnam/8/2009|H9N2 |HA|2009-11-12

正确实现代码 #

以下是精准匹配的正则处理方案，分两步完成格式转换：

# 示例标题文本
raw_title <- "AB753217|Influenza A virus (A/African Stonechat/Vietnam/8/2009(H9N2)) |H9N2 |4 (HA)|2009-11-12"

# 第一步：处理第二个字段，移除冗余前缀和末尾的(H9N2))
processed_title <- gsub("Influenza A virus \\((.*)\\(H9N2\\)\\) ", "\\1", raw_title)
# 第二步：处理第四个字段，去掉数字和括号，保留括号内的基因名称
processed_title <- gsub("\\d+ \\((.*)\\)", "\\1", processed_title)

# 输出结果
cat(processed_title)

执行后会得到目标格式的标题：AB753217|A/African Stonechat/Vietnam/8/2009|H9N2 |HA|2009-11-12

原代码问题说明 #

你之前尝试的代码存在两个问题：

1. 第一个gsub仅移除了Influenza A virus (前缀，但未处理字段末尾的(H9N2))冗余内容；
2. 第二个正则表达式"\)_segment.*gene"与原标题内容完全不匹配（原标题里没有_segment或gene相关字符），因此这一步没有任何效果。

内容的提问来源于stack exchange，提问作者Joy A