R语言拆分不规则FASTA表头字符串 提取蛋白名与基因名优化方案

现有代码存在的问题 #

• 依赖冗余：引入了不必要的reshape2包依赖，仅用stringr即可完成全流程处理
• 逻辑健壮性不足：蛋白名提取仅取空格拆分后的第二个元素，遇到包含多个空格、括号的长蛋白名（如示例中Keratin 10 (Epidermolytic hyperkeratosis; keratosis palmaris et plantaris)）会直接截断，提取结果错误
• 容错性差：硬编码取拆分后的第4个元素作为基因名，若某条记录缺失GN=字段会直接报错
• 步骤冗余：多次拆分、创建临时变量，代码可读性和运行效率都有优化空间

优化实现方案 #

核心思路是先提取第一条有效表头，再通过正则捕获组一步提取两个目标字段，不需要多次拆分和临时变量，代码精简且容错性高：

library(stringr)

# 构建正则捕获规则：第1组为蛋白名，第2组为基因名
extract_reg <- "^.*?\\|.*?\\|.*?\\s+(.*?)\\s+OS=.*?GN=(\\w+)"

# 两步完成全量提取
protGene <- str_remove(proteinGroups$Fasta.headers, ";.*$") |> # 仅保留第一条表头
  str_match(extract_reg) |> # 正则匹配捕获目标字段
  as.data.frame() |> 
  `colnames<-`(c("raw_head", "protein.name", "gene"))[, -1] # 格式化输出

# 可选：缺失值填充，若某条记录匹配失败对应字段设为NA，不中断运行
protGene[is.na(protGene)] <- NA_character_

方案优势 #

• 适配所有示例场景：无论蛋白名是单个单词还是带空格、括号的长词组，都能完整提取，不会截断
• 容错性强：格式异常的表头会返回NA，不会导致全流程运行中断
• 代码精简：仅用核心3行逻辑即可完成提取，可读性和维护性大幅提升
• 依赖更少：仅需stringr一个包即可完成所有操作，不需要引入额外依赖

内容的提问来源于stack exchange，提问作者Luiz Gustavo