在R中提取FASTA序列头中所有出现的基因名

核心逻辑 #

匹配字符串中所有以GN=开头，到下一个字段分隔符（默认是空白字符）截止的内容，需使用全局匹配模式获取所有匹配结果，而非仅返回第一个匹配项。

实现方法 #

前置准备：定义示例输入 #

# 示例FASTA序列头字符串
fasta_header <- "tr|Q22501|Q22501_CAEEL 3-phosphoadenosine-5-phosphosulfate synthase OS=Caenorhabditis elegans OX=6239 GN=pps-1 PE=1 SV=1;tr|A0A061AE05|A0A061AE05_CAEEL 3-phosphoadenosine-5-phosphosulfate synthase OS=Caenorhabditis elegans OX=6239 GN=pps-1 PE=1 SV=1"

方法1：Base R 原生实现 #

无需安装额外依赖，使用gregexpr（全局正则匹配）+regmatches（提取匹配结果）组合实现：

# 全局匹配所有GN=开头的非空白字符串
gn_matches <- regmatches(fasta_header, gregexpr("GN=\\S+", fasta_header))[[1]]

# 输出结果
print(gn_matches)

运行输出：

[1] "GN=pps-1" "GN=pps-1"

方法2：stringr包实现（更简洁，适合tidy生态 workflow） #

stringr是tidyverse生态的字符串处理包，语法更易读，是生信分析常用工具：

# 未安装包先运行：install.packages("stringr")
library(stringr)

# 全局提取所有匹配项
gn_matches <- str_extract_all(fasta_header, "GN=\\S+")[[1]]

# 输出结果
print(gn_matches)

运行输出和base R方法一致。

正则说明 #

上述代码中使用的正则GN=\\S+逻辑：

• 固定匹配GN=前缀
• \\S匹配所有非空白字符（空格、制表符、换行符均属于空白字符）
• +表示匹配前一位规则1次及以上，完整读取整个GN字段内容
  如果你的FASTA头字段分隔符不是空白，可根据实际格式调整正则，例如分隔符为分号时可以修改为GN=[^;]+。

内容的提问来源于stack exchange，提问作者Yunyun