主页 / coding / 问题 / 79124344
Accepted
DaniCee
Asked: 2024-10-25 13:21:20 +0800 CST

以 3 为增量生成规则的数字序列，但要考虑输入中的间隙

  • 772

假设我有一个myseq如下所示的序列。这是一个 DNA 序列，因此每组 3 个字母组成伴随myaa序列中的一个字母（氨基酸）。它的长度为 13aa。

我想创建一个mydf数据框，其中包含每组 3 个字母的起始和终止位置myseq。在下面没有间隙的基本示例中，我可以轻松地使用 做到这一点seq()。

myseq <- "CTACGTAGCTAGCTGGGGTACCGTTATTCAGCTAGCATG"
myaa <- "XYZWWXZZVVYZX"
st_pos <- seq(1, nchar(myseq)-2, 3)
en_pos <- seq(3, nchar(myseq), 3)
mydf <- data.frame(starts=st_pos, ends=en_pos, label=unlist(strsplit(myaa, "")))

这将生成这个数据框，这正是我想要的：

> mydf
   starts ends label
1       1    3     X
2       4    6     Y
3       7    9     Z
4      10   12     W
5      13   15     W
6      16   18     X
7      19   21     Z
8      22   24     Z
9      25   27     V
10     28   30     V
11     31   33     Y
12     34   36     Z
13     37   39     X

但是，我遇到了一些myseq包含间隙的真实数据示例。在这些情况下，我无法依赖它，seq()因为我需要考虑起始位置和终止位置的间隙。

我该怎么做？下面我向您展示了 2 个案例以及我预期的mydf数据框，我只是对其开始和结束位置进行了硬编码。

#case 1 - gaps breaking groups of 3 letters in half
myseq <- "CTACGTAGCTAGCTGGGGTACCGTT---ATTC--AGCTAGCATG"
st_pos <- c(1,4,7,10,13,16,19,22,25,31,36,39,42)
en_pos <- c(3,6,9,12,15,18,21,24,30,35,38,41,44)
mydf <- data.frame(starts=st_pos, ends=en_pos, label=unlist(strsplit(myaa, "")))

#case 2 - gaps in between groups of 3 letters, and at the beginning of groups of 3 letters
myseq <- "CTACGTAGCTAGCTGGGGTACCGT---TAT--TCAGCTAGCATG"
st_pos <- c(1,4,7,10,13,16,19,22,28,33,36,39,42)
en_pos <- c(3,6,9,12,15,18,21,24,30,35,38,41,44)
mydf <- data.frame(starts=st_pos, ends=en_pos, label=unlist(strsplit(myaa, "")))

在这些情况下我该如何轻松地生成st_pos和向量？en_pos

编辑

为了获得这些数字，我只是将序列分成 3 个字母组并手动计算位置，但我不知道如何以自动方式完成此操作。

对于情况 1 的序列起始位置：

1    4    7    10   13   16   19   22   25      31     36   39   42
CTA  CGT  AGC  TAG  CTG  GGG  TAC  CGT  T---AT  TC--A  GCT  AGC  ATG

对于情况 1 的结束位置同样如此：

  3    6    9    12   15   18   21   24      30     35   38   41   44
CTA  CGT  AGC  TAG  CTG  GGG  TAC  CGT  T---AT  TC--A  GCT  AGC  ATG

现在对于情况 2 的序列起始位置：

1    4    7    10   13   16   19   22        28       33   36   39   42
CTA  CGT  AGC  TAG  CTG  GGG  TAC  CGT  ---  TAT  --  TCA  GCT  AGC  ATG

情况 2 的结束位置：

  3    6    9    12   15   18   21   24        30       35   38   41   44
CTA  CGT  AGC  TAG  CTG  GGG  TAC  CGT  ---  TAT  --  TCA  GCT  AGC  ATG

2 个回答

  1. 您可以尝试这样的事情：

    > f <- \(string, n=3) {
+   chr <- el(strsplit(string, ''))
+   mat <- matrix(split(chr, cumsum(chr != '-')), n)
+   strings3 <- apply(mat, 2, \(x) paste(unlist(x), collapse=''))
+   lens <- cumsum(nchar(strings3))
+   cbind(c(1, lens + 1L)[-(length(lens) + 1L)], lens + 1L)
+ }
> 
> f("CTACGTAGCTAGCTGGGGTACCGTTATTCAGCTAGCATG")
      [,1] [,2]
 [1,]    1    4
 [2,]    4    7
 [3,]    7   10
 [4,]   10   13
 [5,]   13   16
 [6,]   16   19
 [7,]   19   22
 [8,]   22   25
 [9,]   25   28
[10,]   28   31
[11,]   31   34
[12,]   34   37
[13,]   37   40
> f("CTACGTAGCTAGCTGGGGTACCGTT---ATTC--AGCTAGCATG")
      [,1] [,2]
 [1,]    1    4
 [2,]    4    7
 [3,]    7   10
 [4,]   10   13
 [5,]   13   16
 [6,]   16   19
 [7,]   19   22
 [8,]   22   25
 [9,]   25   31
[10,]   31   36
[11,]   36   39
[12,]   39   42
[13,]   42   45
> f("CTACGTAGCTAGCTGGGGTACCGT---TAT--TCAGCTAGCATG")
      [,1] [,2]
 [1,]    1    4
 [2,]    4    7
 [3,]    7   10
 [4,]   10   13
 [5,]   13   16
 [6,]   16   19
 [7,]   19   22
 [8,]   22   28
 [9,]   28   33
[10,]   33   36
[11,]   36   39
[12,]   39   42
[13,]   42   45
    • 1
  2. Best Answer

    尝试以下操作，使用识别序列中任何大写字母的索引grep，然后从中创建起始和结束位置。

    Case #1

myseq <- "CTACGTAGCTAGCTGGGGTACCGTT---ATTC--AGCTAGCATG"

idx <- grep("[A-Z]", unlist(strsplit(myseq, "")))
data.frame(st_pos=idx[seq(1, length(idx), 3)], 
           en_pos=idx[seq(3, length(idx), 3)])

    给出：

       st_pos en_pos
1       1      3
2       4      6
3       7      9
4      10     12
5      13     15
6      16     18
7      19     21
8      22     24
9      25     30
10     31     35
11     36     38
12     39     41
13     42     44

    这与你的预期输出相符。

    案例 #2

    myseq <- "CTACGTAGCTAGCTGGGGTACCGT---TAT--TCAGCTAGCATG"

idx <- grep("[A-Z]", unlist(strsplit(myseq, "")))
data.frame(st_pos=idx[seq(1, length(idx), 3)], 
           en_pos=idx[seq(3, length(idx), 3)])

    给予

       st_pos en_pos
1       1      3
2       4      6
3       7      9
4      10     12
5      13     15
6      16     18
7      19     21
8      22     24
9      28     30
10     33     35
11     36     38
12     39     41
13     42     44

    这也符合您预期的输出。

    • 1

相关问题