R tidyverse：正規表現で列をフィルタリング「matches」の使い方

バイオインフォマティクスにおいて、データ解析の効率を向上させるために Rのtidyverse を活用しようと考えている方も多いのではないでしょうか？
その中でも、dplyr はデータ操作において強力なツールです。特に、列名のパターンマッチング を簡単に行うことができる matches() 関数は、大規模なバイオデータを扱う際に便利です。

本記事では、matches() の基本的な操作を解説し、バイオデータ解析への応用を考えていきます。

1. matches() とは？
2. matches() の基本的な使い方
1. 例1：特定の単語を含む列を抽出
  1. 実行結果
3. matches() でより柔軟なパターンマッチング
4. バイオデータ解析への応用
1. ケーススタディ：RNA-seq データ解析
  1. 実行結果
5. まとめ
1. 主なポイント

1. matches() とは？

matches() は dplyrのselect()内で使われるヘルパー関数 で、正規表現（regex）を用いて列名をフィルタリング できます。

例えば、バイオインフォマティクスでは 遺伝子発現データ や サンプル情報 など、多数の列を持つデータフレームを扱うことがよくあります。
matches() を使えば、特定のキーワードを含む列を簡単に選択できます。

2. matches() の基本的な使い方

まずは、matches() の基本的な構文を確認しましょう。

select(データフレーム, matches("パターン"))

例1：特定の単語を含む列を抽出

サンプルデータを作成し、matches() を使って “gene” を含む列を選択してみます。

library(tidyverse)

# ダミーデータの作成
df <- tibble(
  sample_id = 1:5,
  gene_A_exp = c(2.3, 4.5, 3.2, 5.1, 4.0),
  gene_B_exp = c(1.2, 3.4, 2.8, 3.9, 2.1),
  condition = c("control", "treated", "control", "treated", "control")
)

# "gene" を含む列のみ選択
df %>% select(matches("gene"))

実行結果

# A tibble: 5 × 2
  gene_A_exp gene_B_exp
       <dbl>      <dbl>
1       2.3        1.2
2       4.5        3.4
3       3.2        2.8
4       5.1        3.9
5       4.0        2.1

解説

matches("gene") により、gene_A_exp と gene_B_exp が選択されました。
sample_id や condition など、”gene” を含まない列は除外されています。

3. matches() でより柔軟なパターンマッチング

例2：特定の接頭辞（prefix）を持つ列を選択

例えば、すべての “gene_” で始まる列を選択したい場合、次のように書けます。

df %>% select(matches("^gene_"))

^ は 「先頭一致」 を意味します。
"^gene_" で、”gene_” から始まるすべての列を取得できます。

例3：特定の接尾辞（suffix）を持つ列を選択

“exp” で終わる列だけを選びたい場合は、次のように記述できます。

df %>% select(matches("_exp$"))

$ は 「末尾一致」 を意味します。
"_exp$" により、”_exp” で終わる列を選択できます。

例4：複数の単語を含む列を選択

例えば、”A” または “B” を含む列を取得するには、次のように記述します。

df %>% select(matches("A|B"))

| は 「または」 を意味する 正規表現のOR演算子 です。
"A|B" により、”A” または “B” を含む列がすべて選択されます。

4. バイオデータ解析への応用

実際のバイオデータでは、数百、数千の遺伝子が列名として含まれるデータフレームを扱うことがあります。matches() を活用すると、関心のある遺伝子や条件のみを簡単に抽出 できます。

ケーススタディ：RNA-seq データ解析

RNA-seq データのデータフレームを仮定し、特定の遺伝子を含む列を選択してみます。

rna_seq_data <- tibble(
  sample_id = 1:5,
  TP53_expr = runif(5, 10, 50),
  BRCA1_expr = runif(5, 5, 40),
  MYC_expr = runif(5, 20, 100),
  housekeeping_GAPDH = runif(5, 30, 80)
)

# "expr" を含む遺伝子の発現データのみを抽出
rna_seq_data %>% select(matches("expr$"))

実行結果

# A tibble: 5 × 3
  TP53_expr BRCA1_expr MYC_expr
      <dbl>      <dbl>    <dbl>
1      25.3       7.2     89.4
2      33.1      12.3     67.8
3      14.5      29.1     54.2
4      42.8      23.5     72.6
5      39.7      18.9     80.1

ポイント