在R语言中提取字符串句号间的多个细胞标记词

嘿，我来帮你搞定这个自动提取细胞标记的需求！不用每次手动列标记列表，咱们用R的字符串处理工具就能轻松实现通用的解决方案。

首先，先把你提供的示例数据转换成R可处理的向量：

cell_data <- c(
  "Num.Detections", "Num.CD8.",
  "Num.COL1A1.", "Num.COL1A1...CD8.",
  "Num.COL1A1...DDR1.", "Num.COL1A1...DDR1...CD8.",
  "Num.COL1A1...DDR1...PanCK.", "Num.COL1A1...DDR1...PanCK...CD8.",
  "Num.COL1A1...PanCK.", "Num.COL1A1...PanCK...CD8.",
  "Num.DDR1.", "Num.DDR1...CD8.",
  "Num.DDR1...PanCK.", "Num.DDR1...PanCK...CD8.",
  "Num.PanCK.", "Num.PanCK...CD8.",
  "Num.PanCK...COL1A1.", "Num.PanCK...COL1A1...CD8.",
  "Num.PanCK...COL1A1...DDR1.", "Num.PanCK...COL1A1...DDR1...CD8.",
  "Num.PanCK...DDR1.", "Num.PanCK...DDR1...CD8."
)

接下来分几步操作：

1. 过滤无关项：先把Num.Detections排除掉，它不是我们要的细胞标记。
2. 提取标记：用正则表达式精准匹配那些夹在句号之间的标记词——不管是单个句号还是三个句号分隔，这个正则都能识别。
3. 去重排序：把所有提取到的标记合并成一个向量，去掉重复项再排序，得到干净的唯一标记列表。

具体代码如下（需要用到stringr包，没装的话先跑install.packages("stringr")）：

library(stringr)

# 过滤掉不需要的"Num.Detections"
filtered_data <- cell_data[cell_data != "Num.Detections"]

# 用正则提取所有夹在句号之间的标记
all_markers <- str_extract_all(filtered_data, "(?<=\\.)[A-Z0-9]+(?=\\.)")

# 把列表转成向量，去重并排序
unique_markers <- sort(unique(unlist(all_markers)))

# 查看结果
unique_markers

运行这段代码后，你会得到：

[1] "CD8"     "COL1A1"  "DDR1"    "PanCK"

简单解释下正则表达式(?<=\\.)[A-Z0-9]+(?=\\.)：

• (?<=\\.)：正向预查，确保匹配内容的前面是一个句号（双重反斜杠是R里转义句号的写法）
• [A-Z0-9]+：匹配一个或多个大写字母/数字，正好对应你的细胞标记格式
• (?=\\.)：正向预查，确保匹配内容的后面是一个句号

这个方法完全通用，以后遇到新的细胞标记，只要数据格式保持Num.标记...标记.这种结构，直接跑代码就能自动提取所有独特标记，不用手动修改啦！

备注：内容来源于stack exchange，提问作者fgootkind