【r<-方案】从GDC bam文件名中抽提出TCGA样本id

发现TCGA下载的bam文件中文件名存在两种不同的模式，可以采用正则表达式对样本id进行提取。

下面是一个简单的例子：

test_char = c("TCGA-66-2781-11A-01W-0878-08_gdc_realn.bam", 
              "C662.TCGA-75-5126-10A-01D-1753-08.4_gdc_realn.bam")
sub(pattern = ".*\\.?(TCGA-\\w+{2}-\\w{4}-\\w{3}-\\w{3}-\\w{4}-\\w{2}).*", 
    replacement = "\\1", test_char)

这里关键点在于pattern的设定。

测试结果：

> sub(pattern = ".*\\.?(TCGA-\\w+{2}-\\w{4}-\\w{3}-\\w{3}-\\w{4}-\\w{2}).*", "\\1", test_char)
[1] "TCGA-66-2781-11A-01W-0878-08" "TCGA-75-5126-10A-01D-1753-08"

开始处的\\.?似乎是多余的，测试一下：

> sub(pattern = ".*(TCGA-\\w+{2}-\\w{4}-\\w{3}-\\w{3}-\\w{4}-\\w{2}).*", 
+     replacement = "\\1", test_char)
[1] "TCGA-66-2781-11A-01W-0878-08" "TCGA-75-5126-10A-01D-1753-08"

的确如此。