R 将匹配的字符串替换为其子组

我有一些DNA序列需要处理，它们看起来像：

>KU508975.1 Acalypha australis maturase K (matK) gene, partial cds; chloroplast
TAAATTATGTGTCAGAGCTATTAATACCTTACCCCATCCATCTAGAAAAATGGGTTCAAATTCTTCGATA
TTGGCTGAAAGATCCCTCTTCTTTGCATTTATTACGACTCTTTCTTCATGAATATTGGAATTGGAACTGT
TTTCTTATTCCAAAGAAATCGATTGCTATTTTTACAAAAAGTAATCCAAGATTTTTCTTGTTTCTATATA

>KC747175.1 Achyranthes bidentata bio-material USDA:GRIN:PI613015 maturase K (matK) gene, partial cds; chloroplast
GATATATTAATACCTTACCCCGCTCATCTAGAAATCTTGGTTCAAACTCTCCGATACTGGTTGAAAGATG
CTTCTTCTTTGCATTTATTACGATTCTTTCTTTATGAGTGTCGTAATTGGATTAGTCTTATTACTCCAAA
AAAATCCATTTCCTTTTTGAAAAAAAGGAATCGAAGATTATTCTTGTTCCTATATAATTTCTATGTATGT

(\>)([A-Z]{2}\d{6}\.?\d)\s([a-zA-Z]+\-?[a-zA-Z]+)\s([a-zA-Z]+\-?[a-zA-Z]+)\s(.*)\n

library(tidyverse)

SequenceRaw <- read_file("PATH OF SEQUENCE FILE\\sequenceraw.fasta") ## e.g. sequenceraw.fasta

Sequence <- str_replace_all(SequenceRaw, 
    "(\\>)([A-Z]{2}\\d{6}\\.?\\d)\\s([a-zA-Z]+\\-?[a-zA-Z]+)\\s([a-zA-Z]+\\-?[a-zA-Z]+)\\s(.*)\\n", 
    ">\\3 \\4\n") ## Keep '>' and add a new line with '\n'

write_file(Sequence, "YOUR PATH\\sequence.fasta")

为了检测每个序列的标题行，我对正则表达式进行了编码：

>KU508975.1 Acalypha australis maturase K (matK) gene, partial cds; chloroplast
TAAATTATGTGTCAGAGCTATTAATACCTTACCCCATCCATCTAGAAAAATGGGTTCAAATTCTTCGATA
TTGGCTGAAAGATCCCTCTTCTTTGCATTTATTACGACTCTTTCTTCATGAATATTGGAATTGGAACTGT
TTTCTTATTCCAAAGAAATCGATTGCTATTTTTACAAAAAGTAATCCAAGATTTTTCTTGTTTCTATATA

>KC747175.1 Achyranthes bidentata bio-material USDA:GRIN:PI613015 maturase K (matK) gene, partial cds; chloroplast
GATATATTAATACCTTACCCCGCTCATCTAGAAATCTTGGTTCAAACTCTCCGATACTGGTTGAAAGATG
CTTCTTCTTTGCATTTATTACGATTCTTTCTTTATGAGTGTCGTAATTGGATTAGTCTTATTACTCCAAA
AAAATCCATTTCCTTTTTGAAAAAAAGGAATCGAAGATTATTCTTGTTCCTATATAATTTCTATGTATGT

(\>)([A-Z]{2}\d{6}\.?\d)\s([a-zA-Z]+\-?[a-zA-Z]+)\s([a-zA-Z]+\-?[a-zA-Z]+)\s(.*)\n

library(tidyverse)

SequenceRaw <- read_file("PATH OF SEQUENCE FILE\\sequenceraw.fasta") ## e.g. sequenceraw.fasta

Sequence <- str_replace_all(SequenceRaw, 
    "(\\>)([A-Z]{2}\\d{6}\\.?\\d)\\s([a-zA-Z]+\\-?[a-zA-Z]+)\\s([a-zA-Z]+\\-?[a-zA-Z]+)\\s(.*)\\n", 
    ">\\3 \\4\n") ## Keep '>' and add a new line with '\n'

write_file(Sequence, "YOUR PATH\\sequence.fasta")

---

我应该使用什么函数将整个匹配替换为它的group3+group4？此外，我在一个txt文件中有72个匹配项，如何在一次运行中替换它们？

我自己用tidyverse软件包解决了这个问题：

>KU508975.1 Acalypha australis maturase K (matK) gene, partial cds; chloroplast
TAAATTATGTGTCAGAGCTATTAATACCTTACCCCATCCATCTAGAAAAATGGGTTCAAATTCTTCGATA
TTGGCTGAAAGATCCCTCTTCTTTGCATTTATTACGACTCTTTCTTCATGAATATTGGAATTGGAACTGT
TTTCTTATTCCAAAGAAATCGATTGCTATTTTTACAAAAAGTAATCCAAGATTTTTCTTGTTTCTATATA

>KC747175.1 Achyranthes bidentata bio-material USDA:GRIN:PI613015 maturase K (matK) gene, partial cds; chloroplast
GATATATTAATACCTTACCCCGCTCATCTAGAAATCTTGGTTCAAACTCTCCGATACTGGTTGAAAGATG
CTTCTTCTTTGCATTTATTACGATTCTTTCTTTATGAGTGTCGTAATTGGATTAGTCTTATTACTCCAAA
AAAATCCATTTCCTTTTTGAAAAAAAGGAATCGAAGATTATTCTTGTTCCTATATAATTTCTATGTATGT

(\>)([A-Z]{2}\d{6}\.?\d)\s([a-zA-Z]+\-?[a-zA-Z]+)\s([a-zA-Z]+\-?[a-zA-Z]+)\s(.*)\n

library(tidyverse)

SequenceRaw <- read_file("PATH OF SEQUENCE FILE\\sequenceraw.fasta") ## e.g. sequenceraw.fasta

Sequence <- str_replace_all(SequenceRaw, 
    "(\\>)([A-Z]{2}\\d{6}\\.?\\d)\\s([a-zA-Z]+\\-?[a-zA-Z]+)\\s([a-zA-Z]+\\-?[a-zA-Z]+)\\s(.*)\\n", 
    ">\\3 \\4\n") ## Keep '>' and add a new line with '\n'

write_file(Sequence, "YOUR PATH\\sequence.fasta")

库（tidyverse）
SequenceRaw当前正则表达式不适用于组3或4包含单个字母单词的行，因为
[a-zA-Z]+\\-？[a-zA-Z]+
匹配1+个字母，然后是可选的连字符，然后是1+个字母（这意味着必须至少有2个字母）。使用
[a-zA-Z]+（？：-[a-zA-Z]+）？
，您可以匹配1+个字母，然后是可选的
-
序列，然后是1+个字母

另外，
\s
也匹配换行符，如果标题行比您假设的短，则
*
可能会错误地抓取序列行。您可以使用
\h
或
[\t]

请注意，
\n
在模式末尾不是必需的，因为
*
将除换行符以外的任何0+字符与ICU正则表达式库匹配（它用于当前代码中，
str\u replace\u all
）

一般来说，您应该只使用
（…）
捕获您需要保留的内容，其他所有内容都可以匹配。删除额外的捕获括号，将节省一些性能

如果在开始处添加
（？m）^
，您将确保只匹配行开始处的

你可以用

"(?m)^>[A-Z]{2}\\d{6}\\.?\\d\\h+([a-zA-Z]+(?:-[a-zA-Z]+)?)\\h+([a-zA-Z]+(?:-[a-zA-Z]+)?).*"

看

代码：

序列我假设每个序列有一个唯一的物种？或者你的输出将有重复的FASTA ID，这是你不想要的。是的，每个序列都是唯一的。你当前的正则表达式不适用于第3组或第4组为单个字母单词的行。另外，
\s
也匹配换行符，如果标题行比您假设的短，则
*
可能会错误地获取序列行。@WiktorStribiżew感谢您指出，尽管此正则表达式很适合我的数据。你介意给出一个更严格的吗？见下文。