复变量分裂问题的R准则

Question

我有一个代表抗菌药耐药基因变异的data.table变量，所有这些变量都是为每个药物类连在一起的。

我需要为每个基因变异产生一个单独的二进制列，如果某一特定药物类别的基因变异存在，而FALSE不存在，则标记为FALSE。

新变量的名称应该采用drugclass_genevariantname格式，其中从原始变量的名称继承药物类，而genevariantname是从使用strsplit的拆分操作中提取的值。

基因变体由一个分号;隔开，因此这是我在以下函数中用来拆分的字符，它将返回data.table，并将新的二进制列添加到末尾：

getamr <- function(dt, amrcol, splitchar) {

    columnvector = dt[[amrcol]]

    if (all(is.na(columnvector))) {return(dt)}

    y = unique(unlist(strsplit(x = columnvector, split = splitchar)))

    y = sort(y)

    for (i in 1:length(y)) {

      dt[, noquote(paste0(amrcol, "_", y[i])) :=
           ifelse(grepl(y[i], columnvector, fixed = TRUE), TRUE, FALSE)]
    }

    return(dt)

  }

该函数可以很好地创建新列并识别每个基因变异是否存在。然而，由于复杂的格式，基因变体的名称没有被正确地分配给新变量，这类似于：

gene1position1:oldAA-newAA;position2:oldAA-newAA;gene2position1:oldAA-newAA;gene3v;gene4;gene5

在本例中，我希望创建以下新变量：

• 药物1_基因1位点1:oldAA-newAA
• 药物1_基因1位点2:oldAA-newAA
• 药物1_基因2位点1:oldAA-newAA
• drug1_gene3v
• drug1_gene4
• drug1_gene5

我遇到的困难是在像上面的要点中的第一种和第二种情况下，在原来的字符串中，拆分字符位于方括号内。这导致：

• Drug1_gene1[位置1:oldAA-newAA]
• 药物1_位置2:oldAA-newAA]

..。在第二种情况下，变异位置和变异变化已经从发生在其中的基因的名字变成孤儿。

如何修改上述函数以更正新列名，以便：

1. 在第一个例子中，方括号是封闭的。
2. 变异的位置和变化总是在基因名称之前。

下面是一些例子数据，说明了这个问题的复杂性：

# Load data.table:
library(data.table)

# Create example data:
mydt <- data.table(id = c(1,2,3,4,5), 
                 amr_drug1 = c("erm(B)[v];mdf(A)*;mph-(A)*;strA;sat2A", "mdf(A)*;strA;sat2A", "-", "erm(B)[v];mdf(A)*;mph-(A)*;strA;sat2A", "-"), 
                 amr_drug2 = c("-", "aph(6)-Id,strB[v]", "aph(6)-Id,strB[v]", "aph(6)-Id,strB[v]", "-"), 
                 amr_drug3 = c("gyrA_EC2[83:S-L]", "gyrA_EC2[83:S-L;87:D-N];parC_EC2[80:S-I]", "gyrA_EC2[83:S-L;87:D-N];parC_EC2[80:S-I]", "gyrA_EC2[83:S-L]", "-"), 
                 amr_drug4 = c("OXA-1", "OXA-1", "OXA-1", "OXA-1", "OXA-1"),
                 amr_drug5 = c("-", "-", "-", "-", "-"))


# Identify AMR columns:
amrcols <- grep("^amr", names(mydt), value = TRUE)

# Replace '-' with NA:
mydt[, c(amrcols) := lapply(.SD, function(x) ifelse(x == "-", NA_character_, x)), .SDcols = amrcols]

# Apply function across all AMR columns:
for (i in 1:length(amrcols)) { getamr(mydt, amrcols[i], ";") } 

第三个amr列(gyrA_EC2)中的一个基因在方括号内有两个变体--在拆分操作之后，第二个变体是从基因名中孤立出来的--参见下面：

> mydt
   id                             amr_drug1         amr_drug2                                amr_drug3 amr_drug4 amr_drug5
1:  1 erm(B)[v];mdf(A)*;mph-(A)*;strA;sat2A              <NA>                         gyrA_EC2[83:S-L]     OXA-1      <NA>
2:  2                    mdf(A)*;strA;sat2A aph(6)-Id,strB[v] gyrA_EC2[83:S-L;87:D-N];parC_EC2[80:S-I]     OXA-1      <NA>
3:  3                                  <NA> aph(6)-Id,strB[v] gyrA_EC2[83:S-L;87:D-N];parC_EC2[80:S-I]     OXA-1      <NA>
4:  4 erm(B)[v];mdf(A)*;mph-(A)*;strA;sat2A aph(6)-Id,strB[v]                         gyrA_EC2[83:S-L]     OXA-1      <NA>
5:  5                                  <NA>              <NA>                                     <NA>     OXA-1      <NA>
   amr_drug1_erm(B)[v] amr_drug1_mdf(A)* amr_drug1_mph-(A)* amr_drug1_sat2A amr_drug1_strA amr_drug2_aph(6)-Id,strB[v]
1:                TRUE              TRUE               TRUE            TRUE           TRUE                       FALSE
2:               FALSE              TRUE              FALSE            TRUE           TRUE                        TRUE
3:               FALSE             FALSE              FALSE           FALSE          FALSE                        TRUE
4:                TRUE              TRUE               TRUE            TRUE           TRUE                        TRUE
5:               FALSE             FALSE              FALSE           FALSE          FALSE                       FALSE
   amr_drug3_87:D-N] amr_drug3_gyrA_EC2[83:S-L amr_drug3_gyrA_EC2[83:S-L] amr_drug3_parC_EC2[80:S-I] amr_drug4_OXA-1
1:             FALSE                      TRUE                       TRUE                      FALSE            TRUE
2:              TRUE                      TRUE                      FALSE                       TRUE            TRUE
3:              TRUE                      TRUE                      FALSE                       TRUE            TRUE
4:             FALSE                      TRUE                       TRUE                      FALSE            TRUE
5:             FALSE                     FALSE                      FALSE                      FALSE            TRUE

任何防止方括号内的第二个(或随后的)变异体与其基因名称分离的解决方案都是非常感谢的。

Answer 1

关于拆分函数，您可以首先使用如下模式在方括号外的分号处拆分：

;(?=(?:[^\[\]]*\[[^\[\]]*\])*[^\[\]]*$)

然后，在一个附加步骤中拆分具有分号的字符串，例如使用;|\[|\]作为拆分模式。保留第一个结果来拆分并重新构建嵌套值或类似值。

Regex演示