在R语言中提取组蛋白标记并创建新列（禁用正则表达式）

首先还原你的数据：

try <- data.frame(
  histones = c(
    "encode3Ren_limb_H3K27me3_E10",
    "encode3Ren_facial_prominence_H3K27me3_E10",
    "encode3Ren_liver_H3K27me3_E12",
    "encode3Ren_neural_tube_H3K27me3_E14",
    "encode3Ren_neural_tube_H3K4me1_E12",
    "encode3Ren_neural_tube_H3K27me3_E11",
    "encode3Ren_neural_tube_H3K4me1_E15",
    "encode3Ren_neural_tube_H3K4me2_E13"
  ),
  a = c(1,2,3,4,5,6,7,8)
)

基础R实现方法 #

利用字符串拆分和前缀匹配完成提取，全程不涉及正则表达式：

# 将每个histones字符串按下划线拆分为列表
split_strings <- strsplit(try$histones, "_")
# 遍历拆分后的列表，筛选出以"H3K"开头的片段作为新列
try$histone_mark <- sapply(split_strings, function(x) x[startsWith(x, "H3K")])

tidyverse风格实现方法 #

如果习惯用tidyverse工具链，也可以这样写：

library(tidyverse)

try <- try %>%
  mutate(histone_mark = map_chr(str_split(histones, "_"), ~ .x[startsWith(.x, "H3K")]))

最终结果 #

运行代码后，数据框会新增histone_mark列，结果如下：

print(try)
#                                    histones a histone_mark
# 1              encode3Ren_limb_H3K27me3_E10 1     H3K27me3
# 2 encode3Ren_facial_prominence_H3K27me3_E10 2     H3K27me3
# 3             encode3Ren_liver_H3K27me3_E12 3     H3K27me3
# 4       encode3Ren_neural_tube_H3K27me3_E14 4     H3K27me3
# 5        encode3Ren_neural_tube_H3K4me1_E12 5      H3K4me1
# 6       encode3Ren_neural_tube_H3K27me3_E11 6     H3K27me3
# 7        encode3Ren_neural_tube_H3K4me1_E15 7      H3K4me1
# 8        encode3Ren_neural_tube_H3K4me2_E13 8      H3K4me2

内容的提问来源于stack exchange，提问作者jonny jeep