Как манипулировать двумя кусками колонны?

Question

Я работаю с некоторыми генетическими данными, и один из моих столбцов не в том формате, в котором я хочу его видеть. Я не знаю, сколько здесь говорится о биологии, но я пытаюсь исправить то, как мои аминокислоты отображаются в моих данных.

Аминокислоты, очевидно, имеют название, но они также имеют трехбуквенное сокращение и однобуквенное сокращение. Мои данные содержат аминокислоты в 3-буквенной форме, но я хочу заменить их на 1-буквенное сокращение. Вот пример моих данных.

 chr location           effect   impact AA_change
   1    12543 missense_variant MODERATE  p.Ala12Val
   1    52367 missense_variant MODERATE  p.Leu54Pro
   1   752347 missense_variant MODERATE  p.Met99Ser
   1   984645 missense_variant MODERATE  p.Lys34Ile
   1   989845 missense_variant MODERATE  p.Arg4Cys
   1   999854 missense_variant MODERATE  p.His43Gly
   1   999855 missense_variant MODERATE  p.Glu14Phe

dat <- structure(list(chr = c(1L, 1L, 1L, 1L, 1L, 1L, 1L), location = c(12543L, 
52367L, 752347L, 984645L, 989845L, 999854L, 999855L), effect = c("missense_variant", 
"missense_variant", "missense_variant", "missense_variant", "missense_variant", 
"missense_variant", "missense_variant"), impact = c("MODERATE", 
"MODERATE", "MODERATE", "MODERATE", "MODERATE", "MODERATE", "MODERATE"
), AA_change = c("Ala12Val", "Leu54Pro", "Met99Ser", "Lys34Ile", 
"Arg4Cys", "His43Gly", "Glu14Phe")), .Names = c("chr", "location", 
"effect", "impact", "AA_change"), row.names = c(NA, -7L), class = "data.frame")

Вот список трехбуквенных аминокислот и их одно из лучших сокращений.

  Ala == A
  Arg == R
  Asn == N
  Asp == D
  Cys == C
  Glu == E
  Gln == Q
  Gly == G
  His == H
  Ile == I
  Leu == L
  Lys == K
  Met == M
  Phe == F
  Pro == P
  Ser == S
  Thr == T
  Trp == W
  Tyr == Y
  Val == V

Я чувствую, что для этого есть простая функция, но я пытаюсь понять, как это сделать. Я привык менять только одну часть столбца, а не две вещи одновременно. Так что я спрашиваю, как я могу изменить это

Ala12Val
Leu54Pro
Met99Ser
Lys34Ile
Arg4Cys
His43Gly
Glu14Phe

К этому

A12V
L54P
M99S
K32I
R4C
E14F

Это что-то, что можно сделать?

Answer 1

b=which(adist(dat2$V1,dat$AA_change,partial = T)==0,T)

dat$AA_change1=`regmatches<-`(dat$AA_change,gregexpr("\\D+",dat$AA_change),
                                 value=split(dat2$V3[b[,1]],b[,2]))

dat
  chr location           effect   impact AA_change AA_change1
1   1    12543 missense_variant MODERATE  Ala12Val       A12V
2   1    52367 missense_variant MODERATE  Leu54Pro       L54P
3   1   752347 missense_variant MODERATE  Met99Ser       M99S
4   1   984645 missense_variant MODERATE  Lys34Ile       I34K
5   1   989845 missense_variant MODERATE   Arg4Cys        R4C
6   1   999854 missense_variant MODERATE  His43Gly       G43H
7   1   999855 missense_variant MODERATE  Glu14Phe       E14F



dat2 = read.table(text="Ala == A
  Arg == R
  Asn == N
  Asp == D
  Cys == C
  Glu == E
  Gln == Q
  Gly == G
  His == H
  Ile == I
  Leu == L
  Lys == K
  Met == M
  Phe == F
  Pro == P
  Ser == S
  Thr == T
  Trp == W
  Tyr == Y
  Val == V")[-2]

Answer 2

Если он всегда имеет форму {кислота, числа, кислота}, вы можете разбить его на три столбца и сделать замену с помощью match или объединения. С data.table это выглядит как ...

library(data.table)
setDT(dat)

# put your mapping into a nicer format
abbrDT = fread(header = FALSE,"
  Ala == A
  Arg == R
  Asn == N
  Asp == D
  Cys == C
  Glu == E
  Gln == Q
  Gly == G
  His == H
  Ile == I
  Leu == L
  Lys == K
  Met == M
  Phe == F
  Pro == P
  Ser == S
  Thr == T
  Trp == W
  Tyr == Y
  Val == V")[, .(abbr3 = V1, abbr1 = V3)] 

# split the column
patt = "(?<=\\d)(?=\\D)|(?<=\\D)(?=\\d)"
dat[, c("AA1", "num", "AA2") := tstrsplit(AA_change, patt, perl=TRUE)]

# substitute for each part
dat[abbrDT, on=.(AA1 = abbr3), AA1 := abbr1]
dat[abbrDT, on=.(AA2 = abbr3), AA2 := abbr1]

, что дает

   chr location           effect   impact AA_change AA1 num AA2
1:   1    12543 missense_variant MODERATE  Ala12Val   A  12   V
2:   1    52367 missense_variant MODERATE  Leu54Pro   L  54   P
3:   1   752347 missense_variant MODERATE  Met99Ser   M  99   S
4:   1   984645 missense_variant MODERATE  Lys34Ile   K  34   I
5:   1   989845 missense_variant MODERATE   Arg4Cys   R   4   C
6:   1   999854 missense_variant MODERATE  His43Gly   H  43   G
7:   1   999855 missense_variant MODERATE  Glu14Phe   E  14   F

При желании снова объедините столбцы и удалите ненужные столбцы:

dat[, AA_change := paste0(AA1, num, AA2)]

dat[, c("AA1", "num", "AA2") := NULL]

Answer 3

Выполните поиск аминокислот, затем получите подстроку первых 3 букв и карту, извлеките цифры, подстроку последних 3 букв и карту. Затем вставьте все вместе.

# lookup map
AAmap <- setNames(c("A","R","N","D","C","E","Q","G","H","I","L","K","M","F","P","S","T","W","Y","V"),
                  c("Ala","Arg","Asn","Asp","Cys","Glu","Gln","Gly","His","Ile","Leu","Lys","Met","Phe","Pro","Ser","Thr","Trp","Tyr","Val"))

# get first 3 map to AA, get digits, get last 3 map to AA
dat$AA_change_short <-
  paste0(AAmap[ substr(dat$AA_change, 1, 3) ],
         gsub("[^\\d]+", "", dat$AA_change, perl = TRUE),
         AAmap[ substr(dat$AA_change, nchar(dat$AA_change) - 2, nchar(dat$AA_change)) ])

dat
#   chr location           effect   impact AA_change AA_change_short
# 1   1    12543 missense_variant MODERATE  Ala12Val            A12V
# 2   1    52367 missense_variant MODERATE  Leu54Pro            L54P
# 3   1   752347 missense_variant MODERATE  Met99Ser            M99S
# 4   1   984645 missense_variant MODERATE  Lys34Ile            K34I
# 5   1   989845 missense_variant MODERATE   Arg4Cys             R4C
# 6   1   999854 missense_variant MODERATE  His43Gly            H43G
# 7   1   999855 missense_variant MODERATE  Glu14Phe            E14F