使用tidyr::extract与正则转换.faa为数据框遇错求助

错误原因分析 #

你遇到的Error: regex should define 2 groups; 4 found.是因为：

1. 正则捕获组数量与输出列不匹配：tidyr::extract要求正则表达式的捕获组（()包裹的部分）数量和into参数指定的列数完全一致。你写的正则有4个捕获组，但into只定义了2列，导致不匹配报错。
2. 正则与实际数据格式不匹配：你的序列名称格式是[蛋白ID] [描述信息]（比如NP_001007096.1 uncharacterized protein Dmel_CG42637, isoform C [Drosophila melanogaster]），但正则里写了\\|（竖线分隔符），完全不符合数据实际格式。

修正后的完整代码 #

以下代码可以正确将FASTA文件转换为包含protein_id（ID列）、description（名称列）、sequence（序列列）的表格：

library(Biostrings)
library(dplyr)
library(tidyr)

# 下载并读取蛋白序列文件
url <- "https://ftp.ncbi.nlm.nih.gov/genomes/all/GCF/000/001/215/GCF_000001215.4_Release_6_plus_ISO1_MT/GCF_000001215.4_Release_6_plus_ISO1_MT_protein.faa.gz"
destfile <- tempfile()
download.file(url, destfile)

fruitfly <- readAAStringSet(destfile)

# 构建初始数据框，提取序列和完整名称
protein_df <- tibble(
  full_name = names(fruitfly),
  sequence = as.character(fruitfly)
)

# 拆分完整名称为ID和描述列（按第一个空格拆分，保留描述中的空格）
protein_df <- protein_df %>%
  separate(full_name, into = c("protein_id", "description"), sep = " ", extra = "merge")

# 查看结果
head(protein_df)

可选：用extract实现拆分 #

如果你更倾向于用tidyr::extract，可以使用匹配第一个空格前后内容的正则，确保捕获组数量和列数一致：

protein_df <- protein_df %>%
  extract(full_name, into = c("protein_id", "description"), regex = "^([^ ]+) (.*)")

• ^([^ ]+)：捕获第一个空格前的所有字符（即蛋白ID）
• (.*)：捕获第一个空格后的所有内容（即蛋白名称和物种信息）

结果说明 #

执行后你会得到一个包含3列的数据框：

• protein_id：蛋白的唯一标识符（如NP_001007096.1）
• description：蛋白的功能、亚型、物种等描述信息
• sequence：完整的蛋白质序列

内容的提问来源于stack exchange，提问作者Ayaz