R语言处理蛋白质修饰序列 按修饰数重复行拆分单个修饰到每行

实现思路 #

• 先用separate_rows按逗号拆分多修饰列，将一行多修饰自动扩展为N行（N为该行修饰数量）
• 逐行匹配修饰序列中的括号标注，仅保留当前行对应修饰的标记，删除其余修饰标注

完整代码 #

# 加载依赖包
library(tidyverse)

# 修正示例输入数据的笔误（原第二行Modified.Sequence标注错误）
df = data.frame(
        Sequence = c('ABCDEF','ABCDEFGH','DEFGH'),
        Modification = c('Acetyl (Protein N-term),Oxidation (M),Methyl (KR)','Oxidation (M)','Acetyl (Protein N-term), Methyl (KR)'),
        Modified.Sequence = c('AB(Acetyl (Protein N-term))CD(Oxidation (M))EF(Methyl (KR))','ABCDEF(Oxidation (M))GH',
        'ABC(Acetyl (Protein N-term))DEF(Methyl (KR))GH')
)

# 拆分处理
df_result <- df %>%
  # 按逗号拆分修饰列，自动忽略逗号前后的空格
  separate_rows(Modification, sep = ",\\s*") %>%
  rowwise() %>%
  mutate(
    Modified.Sequence = str_replace_all(Modified.Sequence, "\\([^()]+\\)", function(match_val) {
      # 提取括号内的修饰内容对比
      inner_mod <- str_sub(match_val, 2, -2)
      return(ifelse(inner_mod == Modification, match_val, ""))
    })
  ) %>%
  ungroup()

# 查看结果
print(df_result)

适配说明 #

代码不需要提前枚举修饰类型，可自动适配任意数量、任意名称的修饰拆分需求。

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