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

Gerar uma sequência numérica regular em incrementos de 3, MAS considerando lacunas na entrada

  • 772

Digamos que eu tenha uma sequência como myseqa abaixo. É uma sequência de DNA, então cada grupo de 3 letras faz uma letra (aminoácido) na myaasequência que a acompanha. Ela tem um comprimento de 13aa.

Quero criar um mydfdataframe com as posições inicial e final de cada grupo de 3 letras em myseq. No exemplo básico abaixo sem lacunas, faço isso facilmente com 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, "")))

Isso produz este dataframe, que é exatamente o que eu quero:

> 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

No entanto, estou encontrando exemplos com meus dados reais que myseqcontêm lacunas. Nesses casos, não posso confiar seq()porque preciso levar em conta as lacunas para as posições inicial e final.

Como devo fazer isso? Mostro a vocês 2 casos abaixo, e meu mydfdataframe esperado, para o qual eu apenas codifiquei as posições inicial e final.

#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, "")))

Como devo produzir os vetores st_pose en_posnesses casos de uma maneira fácil?

EDITAR

Para obter esses números, eu apenas divido as sequências em grupos de 3 letras e conto as posições manualmente, mas não sei como fazer isso de forma automática.

Para posições iniciais de sequência do caso 1:

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

Da mesma forma para as posições finais do caso 1:

  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

Agora para as posições iniciais da sequência do caso 2:

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

E caso 2 posições finais:

  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 respostas

  1. Você pode tentar algo assim:

    > 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

    Experimente o seguinte, que identifica o índice de qualquer letra maiúscula na sequência usando grepe, em seguida, cria as posições inicial e final a partir disso.

    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)])

    Dá:

       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

    que corresponde à saída esperada.

    Caso #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)])

    Dá

       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

    O que também corresponde ao resultado esperado.

    • 1

relate perguntas