求助：如何基于字符串指定位置的字符筛选DNA序列数据集

方法一：stringr结合正则表达式 #

直接构建匹配每一位碱基规则的正则表达式，是最直接的实现方式。比如你要求第一位为A或T，第二位为C或T，可以这么写：

library(stringr)
# 假设你的数据框名为df
filtered_df <- df[str_detect(df$barcode.Universe.sub, "^[AT][CT].*$"), ]

• ^ 限定匹配字符串开头
• [AT] 匹配第一位是A或T
• [CT] 匹配第二位是C或T
• .* 匹配后续任意碱基（如果后面位置也有规则，继续扩展字符组即可，比如第三位要求G或C，就写成^[AT][CT][GC].*$）

如果需要更复杂的多位置规则，比如第3位必须是G、第5位是A或C，直接扩展正则：

# 示例：第1位A/T，第2位C/T，第3位G，第5位A/C
filtered_df <- df[str_detect(df$barcode.Universe.sub, "^[AT][CT]G.[AC].*$"), ]

这里.代表第4位允许任意碱基，按需替换成对应字符组即可。

方法二：拆分碱基后逐位筛选 #

如果正则写法容易混淆，可以把序列拆分为单个碱基的列，再按条件筛选：

library(tidyverse)
# 将序列拆分为单个碱基的列
split_df <- df %>%
  mutate(
    pos1 = str_sub(barcode.Universe.sub, 1, 1),
    pos2 = str_sub(barcode.Universe.sub, 2, 2),
    # 按需添加更多位置列
    pos3 = str_sub(barcode.Universe.sub, 3, 3)
  )

# 按规则筛选并清理临时列
filtered_df <- split_df %>%
  filter(
    pos1 %in% c("A", "T"),
    pos2 %in% c("C", "T"),
    pos3 %in% c("G", "A") # 示例第三位规则
  ) %>%
  select(-starts_with("pos"))

这种方式逻辑更直观，适合规则较多、正则难以梳理的场景。

关于之前方法失效的可能原因 #

• ape包主打系统发育分析，序列筛选并非其核心功能，用它处理这类需求反而绕弯路。
• 使用stringr未成功，大概率是正则写法有误：比如没加^限定开头，或者把字符组写成AT（这会匹配连续的AT）而非[AT]（匹配A或T）。

内容的提问来源于stack exchange，提问作者genferreri