寻找与疾病相关的SNP位点——R语言从SNPedia批量提取搜索数据

   SNP是单核苷酸多态性，人的基因是相似的，有些位点上存在差异，这种某个位点的核苷酸差异就做单核苷酸多态性，它影响着生物的性状，影响着对某些疾病的易感性。SNPedia是一个SNP调査百科，它引用各种已经发布的文章，或者数据库信息对SNP位点进行描述，共享着人类基因组变异的信息。我们可以搜索某个SNP位点来寻找与之相关的信息，也可以根据相关疾病，症状来寻找相关的SNP。

初次使用SNPedia

  SNPedia主页网址为http://snpedia.com/index.php/SNPedia，比如我想查找与crouzon综合症相关的SNP，只需要在SNPedia中搜索crouzon syndrome,即会出现许多相关的SNP搜索结果



  如果这时候我想看每个SNP的相关信息，我就要每个链接分别点进去

  后来发现我们只需要提取里面的部分信息，Orientation，Stabilized，Reference，Chromosome，Position，Gene，还有clinvar表格信息，这时候我们就可以从网页中利用RCurl包，XML包，正则表达是把所需要的内容提取出来，有效抓取有用信息。

知识准备

RCurl包和XML包

   在前一篇博文R语言从小木虫网页批量提取考研调剂信息 http://www.cnblogs.com/ywliao/p/6420501.html中已经提过，这里再提一个XML包中之前没有介绍的函数。

   readHTMLTable(doc) #doc 是XML或者HTML格式文本，可以是文件名，也可以是刚刚parse的html对象，该函数返回XML或HTML中的表格

正则表达式

这里阐述基本的正则表达式使用 **

  [ ]中括号，匹配中括号里面的任意字符，例如[a]匹配"a"

  [a-z]表示匹配a到z任意字母，[A-Z]匹配大写A到Z，[0-9]匹配0-9任意数字

  [ ]*中括号加*表示匹配任意次，[ ]+表示匹配至少一次，例如[a-zA-z,;: ]+表示匹配小写和大写字母,;:和空格至少一次

  [ a|b ] 匹配a或者b

  直接输入字符，实现精确定位。比如"apple[a-zA-z,;: ]+",定位到apple开头的后面匹配小写和大写字母,;:和空格至少一次的内容

  [\u4E00-\u9FA5]匹配汉字

**

R语言gregexpr函数

  使用方法：```gregexpr(pattern,istring， fixed = FALSE) #pattern就是要匹配正则表达是，istring是待匹配的字符串矢量,比如c("abc","cdf")，fixed,

如果设置为true,默认pattern是真正的字符串，不会作为其它使用，相当于转义，

函数返回列表，包括每个字符串的匹配长度和是否匹配）

#实例
 这里直接上代码，代码里面有着详细解释，许多函数以后可以直接复制使用，或者放进一个自己做的R包

!/usr/bin/env Rscript

download <- function(strURL){

输入网址返回html树格式文件

strURL：网页链接地址 return: html树文件

h <- basicTextGatherer()# 查看服务器返回的头信息

txt <- getURL(strURL, headerfunction = h$update,.encoding="gbk") ## 字符串形式

htmlParse(txt,asText=T,encoding="gbk") #选择gbk进行网页的解析

}

getinf <- function(strURL){

主要提取网页信息函数

strURL:网页链接网址 return:包括所要的所有信息的data.frame

doc<- download(strURL)

写如标题

info<- data.frame("Title"=strsplit(xmlValue(getNodeSet(doc,'//title')[[1]])," -")[[1]][1]) #"rs... - SNPedia"进行split

写入"Geno Mag Summary "table

GMS_table <- readHTMLTable(doc)

GMS_index <- 0

if (length(GMS_table)>2){

for (p in 1:6){

if (length(GMS_table[[p]])3){

GMS_index <- p

}

}

}

if (GMS_index!=0){

for (i in 1:length(GMS_table[[GMS_index]])){

tmp <- ""

for (t in 1:nrow(GMS_table[[GMS_index]][i])){

if(tmp""){tmp <-as.vector(GMS_table[[GMS_index]][i][t,1])}else{

tmp <- paste(tmp,as.vector(GMS_table[[GMS_index]][i][t,1]),sep=";")

}

}

if (i1){info$Geno <-tmp}

else if (i2){info$Mag <-tmp}

else if (i==3){info$Summary <- tmp

tmp <- ""

}

}

}else{

info$Geno <-" "

info$Mag <-" "

info$Summary <- " "

}

写入剩下table信息

mes <- getNodeSet(doc,'//td')

mes2 <- list()

for (c in mes){

d <- xmlValue(c)

if (d""){

}else{

mes2=c(mes2,d)

}

}

tmp <- greg_return_string("Make[-A-Za-z0-9_.%;\(\), ]+",mes2)

if (length(tmp)2){info$"Make"=paste(strsplit(tmp[[1]]," ")[[1]][2],strsplit(tmp[[2]]," ")[[1]][2],sep=";")}else{info$"Make"=" "}

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

tmp <- greg_return_index(pattlistMainTable[[i]],mes2)

if (i1 && length(tmp)1){info$"Orientation"=strsplit(mes2[[tmp+1]],"\n")[[1]]}else if (i1 && length(tmp)!=1){info$"Orientation"=" "}

else if (i2 && length(tmp)1){info$"Stabilized"=strsplit(mes2[[tmp+1]],"\n")[[1]]}else if (i2 && length(tmp)!=1){info$"Stabilized"=" "}

else if (i3 && length(tmp)1){info$"Reference"=strsplit(mes2[[tmp+1]],"\n")[[1]]}else if (i3 && length(tmp)!=1){info$"Reference"=" "}

else if (i4 && length(tmp)1){info$"Chromosome"=strsplit(mes2[[tmp+1]],"\n")[[1]]}else if (i4 && length(tmp)!=1){info$"Chromosome"=" "}

else if (i5 &&length(tmp)1){info$"Position"=strsplit(mes2[[tmp+1]],"\n")[[1]]}else if (i5 && length(tmp)!=1){info$"Position"=" "}

else if (i6&&length(tmp)1){info$"Gene"=strsplit(mes2[[tmp+1]],"\n")[[1]]}else if (i6 && length(tmp)!=1){info$"Gene"=" "}

}

写入clivar

mes <- getNodeSet(doc,'//tr')

mes2 <- list()

for (c in mes){

d <- xmlValue(c)

if (d""){

}else{

mes2=c(mes2,d)

}

}

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

tmp <- greg_return_string(pattlistClinvar[i],mes2)

if (length(tmp)!=0){tmp <- tmp[[1]]}

if (i1 && length(tmp)!=0){info$"Risk"=strsplit(tmp,"\n")[[1]][3]}else if (i1 && length(tmp)0){info$"Risk"=" "}

else if (i2 && length(tmp)!=0){info$"Alt"=strsplit(tmp,"\n")[[1]][3]}else if (i2 && length(tmp)0){info$"Alt"=" "}

else if (i3 && length(tmp)!=0){info$"ReferenceBase"=strsplit(tmp,"\n")[[1]][3]}else if (i3&& length(tmp)0){info$"ReferenceBase"=" "}

else if (i4 && length(tmp)!=0){info$"Significance"=strsplit(tmp,"\n")[[1]][2]}else if (i4 && length(tmp)0){info$"Significance"=" "}

else if (i5&& length(tmp)!=0){info$"Disease "=strsplit(tmp,"\n")[[1]][3]}else if (i5 && length(tmp)0){info$"Disease "=" "}

else if (i6 && length(tmp)!=0){info$"CLNDBN"=strsplit(tmp,"\n")[[1]][3]}else if (i6 && length(tmp)0){info$"CLNDBN"=" "}

else if (i7 && length(tmp)!=0){info$"Reversed"=strsplit(tmp,"\n")[[1]][3]}else if (i7 && length(tmp)0){info$"Reversed"=" "}

else if (i8 && length(tmp)!=0){info$"HGVS"=strsplit(tmp,"\n")[[1]][3]}else if (i8 && length(tmp)0){info$"HGVS"=" "}

else if (i9 && length(tmp)!=0){info$"CLNSRC"=strsplit(tmp,"\n")[[1]][3]}else if (i9 && length(tmp)0){info$"CLNSRC"=" "}

else if (i10 && length(tmp)!=0){info$"CLNACC "=strsplit(tmp,"\n")[[1]][3]}else if (i10 && length(tmp)==0){info$"CLNACC "=" "}

}

info

}

greg_return_string <- function(pattern,stringlist){

greg_return_stirng 指定匹配全部字符串列表，返回匹配的字符串

pattern:匹配模式,比如"abc[a-z]*" stringlist:字符串列表，list("abc","abcde","cdfe") return : 列表里字符串匹配结果，"abc""abcde"

findlist <- gregexpr(pattern,stringlist)

needlist <- list()

for (i in which(unlist(findlist)>0)){

preadress <- substr(stringlist[i],findlist[[i]],findlist[[i]]+attr(findlist[[i]],'match.length')-1)

needlist<- c(needlist,list(preadress))

}

return(needlist)

}

greg_return_index <- function(pattern,stringlist){

greg_return_stirng 指定匹配全部字符串列表，返回存在匹配的字符串列表index

pattern:匹配模式 stringlst:待匹配字符串列表 return:存在返回匹配的字符串在列表中的index

findlist <- gregexpr(pattern,stringlist)

needlist <- list()

which(unlist(findlist)>0)

}

extradress <- function(strURL){

将strURL网页里面我们所需要链接提取出来并加工

strURL:网页链接网址 return:网址列表，包括所有提取加工后的网址链接

pattern <- "/index.php/Rs[0-9]+"

prefix <- "https://snpedia.com" #网址改为https起始

links <- getHTMLLinks(download(strURL)) # getHTMLLinks不能解析https的网址，因此先用download解析网址

needlinks <- gregexpr(pattern,links)

needlinkslist <- list()

for (i in which(unlist(needlinks)>0)){

preadress <- substr(links[i],needlinks[[i]],needlinks[[i]]+attr(needlinks[[i]],'match.length')-1)

needlinkslist<- c(needlinkslist,list(preadress))

adresses <- lapply(needlinkslist,function(x)paste(prefix,x,sep=""))

}

adresses

}

greg <- function(pattern,istring){

greg函数查看单个字符串istring,并且返回匹配的部分，不匹配返回空

gregout <- gregexpr(pattern,istring)

substr(istring,gregout[[1]],gregout[[1]]+attr(gregout[[1]],'match.length')-1)

}

library(RCurl)

library(XML)

自定义部分

strURL <- "https://snpedia.com/index.php?title=Special%3ASearch&profile=default&fulltext=Search&search=Congenital+adrenal+hyperplasia" #snpedia网址都已改为https开头

output <- "ouput.txt"

message(paste("[prog]",strURL,output,sep=" "))

strURLs <- extradress(strURL)

pattlistMainTable <- list("Orientation$","Stabilized$","Reference$","Chromosome$","Position$","Gene$")

此匹配模式列表用于返回该字符串所在index，而对应的值是index是该index+1

pattlistClinvar <- list("Risk\n\n[-A-Za-z0-9_.%;\(\), ]+","Alt\n\n[-A-Za-z0-9_.%;\(\), ]+",

"Reference\n\n[-A-Za-z0-9_.%;\(\) ]+","Significance \n[A-Za-z ]+","Disease \n\n[A-Za-z ]+",

"CLNDBN \n\n[-A-Za-z0-9_.% ]+","Reversed \n\n[0-9]+", "HGVS \n\n[-A-Za-z0-9_.%:> ]+","CLNSRC \n\n[-A-Za-z0-9_.% ]+","CLNACC \n\n[-A-Za-z0-9_.%, ]+")

此匹配模式列表用于返回相应clinvar

inf <- NULL

for ( strURL in strURLs){

dat <- getinf(strURL)

if (length(inf) == 0){

inf <- dat

}else{

inf <- rbind(inf,dat)

}

}

write.table(inf, file = output, row.names = F, col.names=T,quote = F, sep="\t") # tab 分隔的文件

message("完成！")

结果可以直接打开，也可以用excel的自文本打开，方便查看
![](http://images2015.cnblogs.com/blog/1093203/201703/1093203-20170308182910844-1533827742.png)