regex - R索引字符串带有指示核苷酸变体的字符 block

Question

我的问题是我需要在字符串中找到一个位置，在该位置我应该有几个字符块，而这些字符块实际上只能是单个字符位置。我正在处理核苷酸序列，需要跟踪序列中的位置，但是我在某些位置存在一些变体，这些变体被表示为[A/T]，其中取决于哪个序列可能存在A或T我很在意(这是两个相似的DNA序列，它们在整个序列的几个位置上都不同)。因此，对于这些变体位点中的每一个，序列的长度要多四个字符/位置。

我知道我可以通过编写一个新代码来解决此问题，在该代码中可以将[A/T]转换为X，而[T/A]则由Y表示，但这会引起混淆，因为已经有标准的简并代码，但它不会跟踪哪个核苷酸来自哪个菌株(对我来说，/之前的一个来自菌株A，/之后的一个来自菌株B)。我想以某种方式索引此DNA序列字符串，如下所示:

如果我有一个像这样的字符串:

dna <- "ATC[A/T]G[G/C]ATTACAATCG"

我想得到一个表/data.frame:

pos nuc
1   A
2   T
3   C
4   [A/T]
5   G
6   [G/C]
... and so on

如果我更了解正则表达式，我觉得我可以以某种方式使用strplit。我是否可以插入一个条件以在每个字符处进行拆分，除非用方括号括起来，否则应将其保留为一个块？

Answer 1

library('stringr')
df <- as.data.frame(strsplit(gsub("\\[./.\\]", '_', dna), ''), stringsAsFactors=F)
df[,1][df[,1] == '_'] <- str_extract_all(dna, "\\[./.\\]")[[1]];names(df) <- 'nuc'
df
#      nuc
# 1      A
# 2      T
# 3      C
# 4  [A/T]
# 5      G
# 6  [G/C]
# 7      A
# 8      T
# 9      T
# 10     A
# 11     C
# 12     A
# 13     A
# 14     T
# 15     C
# 16     G