关于SNP标记位置的突变

Question

当我们有像这样的SNP数据时，

  1:168045465:C_T   
  1:2804278:C_G 
  14:88571933:C_T

我们如何将其划分为染色体，位置，等位基因1，等位基因2(例如，1,168045465，C，T)

Answer 1

您可以使用一个简单的函数来为您重新格式化：

x = c("1:168045465:C_T", "1:2804278:C_G", "14:88571933:C_T")
refmt = function(snp){
  temp1 = unlist(strsplit(snp, ":"))
  temp2 = unlist(strsplit(temp1[3],"_"))
  temp = c(Chr = temp1[1], pos = temp1[2], a1 = temp2[1], a2 = temp2[2])
  return(temp)
}
op = as.data.frame(t(sapply(x, refmt)))

这会产生：

> op
                Chr       pos a1 a2
1:168045465:C_T   1 168045465  C  T
1:2804278:C_G     1   2804278  C  G
14:88571933:C_T  14  88571933  C  T

Answer 2

我们可以使用tidyr的extract通过正则表达式将数据提取到不同的列中。

tidyr::extract(df, V1, c('chromosome', 'position', 'allele1', 'allele2'),
                       '(\\d+):(\\d+):(.*)_(.*)')

#  chromosome  position allele1 allele2
#1          1 168045465       C       T
#2          1   2804278       C       G
#3         14  88571933       C       T

您还可以在基本R strcapture中使用相同的正则表达式

proto <- data.frame(chromosome=integer(), position=integer(), 
                    allele1=character(),allele2 = character())

strcapture('(\\d+):(\\d+):(.*)_(.*)', df$V1, proto)

data

df <- structure(list(V1 = c("1:168045465:C_T", "1:2804278:C_G", "14:88571933:C_T"
)), class = "data.frame", row.names = c(NA, -3L))