R语言如何提取向量中两个指定字符串之间的基因名

现有测试向量如下：

dat1 <- c('human(display_long)|uniprotkb:ESR1(gene name)')
dat2 <- c('human(display_long)|uniprotkb:TP53(gene name)')
dat3 <- c('human(display_long)|uniprotkb:GPX4(gene name)')
dat4 <- c('human(display_long)|uniprotkb:ALOX15(gene name)')
dat5 <- c('human(display_long)|uniprotkb:PGR(gene name)')
dat <- c(dat1,dat2,dat3,dat4,dat5)

方法1：基础R原生实现（无需额外依赖） #

使用sub()函数结合正则捕获组实现提取：

gene_names <- sub("human\\(display_long\\)\\|uniprotkb:(.*?)\\(gene name\\)", "\\1", dat)

正则说明：\\(、\\)、\\|是对原始字符串中特殊符号的转义，(.*?)为非贪婪捕获组，匹配两个固定分隔串中间的基因名，\\1表示取第一个捕获组的内容作为替换结果。

运行后gene_names即为提取到的基因名向量，输出结果为：

[1] "ESR1"   "TP53"   "GPX4"   "ALOX15" "PGR"

方法2：stringr包实现（tidyverse生态） #

如果使用tidyverse工具链，可通过正向后视/前瞻断言更直观实现匹配：

library(stringr)
gene_names <- str_extract(dat, "(?<=human\\(display_long\\)\\|uniprotkb:).*?(?=\\(gene name\\))")

得到的结果和基础R方法完全一致。

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