R 中用于单词过滤的单词边界

Question

我正在过滤一些路径名称，我想仅包含包含以下内容的路径：

"HEMATOPOIETIC", "ERYTHROCYTE", "ERYTHROID", "STEM", "STEMNESS", "HEMATOPOIESIS"

并绘制结果的条形图。到目前为止，这是我的脚本：

obese <- gsea_obese %>% 
  filter(FDR.q.val < 0.25) %>% 
  filter(NOM.p.val < 0.05) %>% 
  filter(str_detect(NAME, "HEMATOPOIETIC|ERYTHROCYTE|ERYTHROID|STEM|STEMNESS|HEMATOPOIESIS")) %>% 
  arrange(FDR.q.val)

ggplot(obese, aes(reorder(NAME, NES), NES)) +
  geom_col(aes(fill=FDR.q.val)) +
  scale_fill_gradient(low = "blue", high = "red") +
  coord_flip() +
  labs(x="Pathway", y="Normalized Enrichment Score",
       title="Enriched Genes JAK2 vs WT in Obese mice")

在我的结果中，我得到了像

"REACTOME_NEURONAL_SYSTEM", "REACTOME_CYTOKINE_SIGNALING_IN_IMMUNE_SYSTEM", "GOBP_IMMUNE_SYSTEM_DEVELOPMENT", ...

这样不需要的路径，我注意到这是由于单词

"SYSTEM"

包含

"STEM"

。我尝试使用

"\\b"

但它根本不返回（或不匹配）任何路径名称。也许我在脚本中放错了

"\\b"

的位置，所以任何帮助将不胜感激！

编辑： 这是输入示例：

gsea_obese <- c(
  "RAMALHO_STEMNESS_UP",
  "IVANOVA_HEMATOPOIESIS_INTERMEDIATE_PROGENITOR",
  "BYSTRYKH_HEMATOPOIESIS_STEM_CELL_QTL_CIS",
  "IVANOVA_HEMATOPOIESIS_EARLY_PROGENITOR",
  "RIZ_ERYTHROID_DIFFERENTIATION",
  "BYSTRYKH_HEMATOPOIESIS_STEM_CELL_AND_BRAIN_QTL_CIS",
  "RIZ_ERYTHROID_DIFFERENTIATION_CCNE1",
  "REACTOME_CYTOKINE_SIGNALING_IN_IMMUNE_SYSTEM",
  "GOBP_ERYTHROCYTE_HOMEOSTASIS",
  "REACTOME_NEURONAL_SYSTEM",
)

我期望的输出是它们不包括我指定的模式之外的输出。我设法解决它

filter(str_detect(NAME, "HEMATOPOIETIC|ERYTHROCYTE|ERYTHROID|\\b STEM|STEMNESS|HEMATOPOIESIS"))

，但是我也尝试使用

filter(str_detect(NAME, "\\b HEMATOPOIETIC|\\b ERYTHROCYTE|\\b ERYTHROID|\\b STEM|\\b STEMNESS|\\b HEMATOPOIESIS"))

，但我不明白为什么这个脚本不返回任何匹配项。

Answer 1

_

不构成单词边界：

grepl("\\ba\\b", "_a_")
# [1] FALSE

这是因为正则表达式中的

\b

“匹配单词任一边缘的空字符串”，而“单词”通常是

[[:alnum:]_]

（它明确包含下划线）。 （有关所有这些以及更多解释，请参阅

?regex

。）

我们需要改进正则表达式来寻找特定的边界条件。使用

(^|_)

将查找

_

边界或字符串开头，与 EOS 类似：

grepl("(^|_)a(_|$)", c("a_", "_a_", "_a", "_aa_"))
# [1]  TRUE  TRUE  TRUE FALSE

我们还需要将模式字符串分组为

(

组。我认为这意味着你的正则表达式应该看起来像这样：

"(^|_)?(HEMATOPOIETIC|ERYTHROCYTE|ERYTHROID|STEM|STEMNESS|HEMATOPOIESIS)(_|$)"

如果还有其他类似边界的字符，您可能希望将它们包含在那些书挡图案中。例如，如果边界可以是空格或下划线，那么您可以使用

"(^|[_ ])?(HEMATOPOIETIC|ERYTHROCYTE|ERYTHROID|STEM|STEMNESS|HEMATOPOIESIS)([_ ]|$)"

阿拉

txt <- c("REACTOME_NEURONAL_SYSTEM", "SOMETHING_STEM_ELSE", "STEM_QUUX")
grepl("(^|[_ ])?(HEMATOPOIETIC|ERYTHROCYTE|ERYTHROID|STEM|STEMNESS|HEMATOPOIESIS)([_ ]|$)", txt)
# [1] FALSE  TRUE  TRUE

使用您添加的数据：

gsea_obese <- c(
  "RAMALHO_STEMNESS_UP",
  "IVANOVA_HEMATOPOIESIS_INTERMEDIATE_PROGENITOR",
  "BYSTRYKH_HEMATOPOIESIS_STEM_CELL_QTL_CIS",
  "IVANOVA_HEMATOPOIESIS_EARLY_PROGENITOR",
  "RIZ_ERYTHROID_DIFFERENTIATION",
  "BYSTRYKH_HEMATOPOIESIS_STEM_CELL_AND_BRAIN_QTL_CIS",
  "RIZ_ERYTHROID_DIFFERENTIATION_CCNE1",
  "REACTOME_CYTOKINE_SIGNALING_IN_IMMUNE_SYSTEM",
  "GOBP_ERYTHROCYTE_HOMEOSTASIS",
  "REACTOME_NEURONAL_SYSTEM"
)
keep <- c("HEMATOPOIETIC", "ERYTHROCYTE", "ERYTHROID", "STEM", "STEMNESS", "HEMATOPOIESIS")
ptn <- paste0("(^|[ _])(", paste(keep, collapse = "|"), ")([ _]|$)")
ptn
# [1] "(^|[ _])(HEMATOPOIETIC|ERYTHROCYTE|ERYTHROID|STEM|STEMNESS|HEMATOPOIESIS)([ _]|$)"

stringr::str_detect(gsea_obese, ptn)
#  [1]  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE FALSE  TRUE FALSE