Question

我正在寻找一种更快的方法来计算从FASTA文件读入的DNA字符串的GC内容。这归结为取一个字符串并计算字母'G'或'C'出现的次数。我还想指定要考虑的字符范围。

我有一个相当慢的工作函数，它导致我的代码瓶颈。它看起来像这样：

##
## count the number of GCs in the characters between start and stop
##
gcCount <-  function(line, st, sp){
  chars = strsplit(as.character(line),"")[[1]]
  numGC = 0
  for(j in st:sp){
    ##nested ifs faster than an OR (|) construction
    if(chars[[j]] == "g"){
      numGC <- numGC + 1
    }else if(chars[[j]] == "G"){
      numGC <- numGC + 1
    }else if(chars[[j]] == "c"){
      numGC <- numGC + 1
    }else if(chars[[j]] == "C"){
      numGC <- numGC + 1
    }
  }
  return(numGC)
}

运行Rprof会给我以下输出：

> a = "GCCCAAAATTTTCCGGatttaagcagacataaattcgagg"
> Rprof(filename="Rprof.out")
> for(i in 1:500000){gcCount(a,1,40)};
> Rprof(NULL)
> summaryRprof(filename="Rprof.out")

                   self.time self.pct total.time total.pct
"gcCount"          77.36     76.8     100.74     100.0
"=="               18.30     18.2      18.30      18.2
"strsplit"          3.58      3.6       3.64       3.6
"+"                 1.14      1.1       1.14       1.1
":"                 0.30      0.3       0.30       0.3
"as.logical"        0.04      0.0       0.04       0.0
"as.character"      0.02      0.0       0.02       0.0

$by.total
               total.time total.pct self.time self.pct
"gcCount"          100.74     100.0     77.36     76.8
"=="                18.30      18.2     18.30     18.2
"strsplit"           3.64       3.6      3.58      3.6
"+"                  1.14       1.1      1.14      1.1
":"                  0.30       0.3      0.30      0.3
"as.logical"         0.04       0.0      0.04      0.0
"as.character"       0.02       0.0      0.02      0.0

$sampling.time
[1] 100.74

有关使此代码更快的建议吗？

Answer 1

最好不要分开，只计算比赛：

gcCount2 <-  function(line, st, sp){
  sum(gregexpr('[GCgc]', substr(line, st, sp))[[1]] > 0)
}

这快了一个数量级。

只是迭代字符的小C函数将会快一个数量级。

Answer 2

一个班轮：

table(strsplit(toupper(a), '')[[1]])

Answer 3

我不知道它更快，但你可能想看一下R包seqinR - http://pbil.univ-lyon1.fr/software/seqinr/home.php?lang=eng。它是一种优秀的通用生物信息学包，具有许多序列分析方法。它在CRAN中（在我写这篇文章的时候看起来很糟糕。）

GC内容将是：

mysequence <- s2c("agtctggggggccccttttaagtagatagatagctagtcgta")
    GC(mysequence)  # 0.4761905

这是一个字符串，你也可以使用“read.fasta（）”读取一个fasta文件。

Answer 4

这里不需要使用循环。

试试这个：

gcCount <-  function(line, st, sp){
  chars = strsplit(as.character(line),"")[[1]][st:sp]
  length(which(tolower(chars) == "g" | tolower(chars) == "c"))
}

Answer 5

从stringi包

中试用此功能

> stri_count_fixed("GCCCAAAATTTTCCGG",c("G","C"))
[1] 3 5

或者您可以使用正则表达式来计算g和G

> stri_count_regex("GCCCAAAATTTTCCGGggcc",c("G|g|C|c"))
[1] 12

或者您可以先使用tolower函数然后再使用stri_count

> stri_trans_tolower("GCCCAAAATTTTCCGGggcc")
[1] "gcccaaaattttccggggcc"

时间表现

    > microbenchmark(gcCount(x,1,40),gcCount2(x,1,40), stri_count_regex(x,c("[GgCc]")))
Unit: microseconds
                             expr     min     lq  median      uq     max neval
                gcCount(x, 1, 40) 109.568 112.42 113.771 116.473 146.492   100
               gcCount2(x, 1, 40)  15.010  16.51  18.312  19.213  40.826   100
 stri_count_regex(x, c("[GgCc]"))  15.610  16.51  18.912  20.112  61.239   100

更长字符串的另一个例子。 stri_dup复制字符串n次

> stri_dup("abc",3)
[1] "abcabcabc"

如您所见，对于更长的序列，stri_count更快：）

> y <- stri_dup("GCCCAAAATTTTCCGGatttaagcagacataaattcgagg",100)
    > microbenchmark(gcCount(y,1,40*100),gcCount2(y,1,40*100), stri_count_regex(y,c("[GgCc]")))
    Unit: microseconds
                                 expr       min         lq     median        uq       max neval
              gcCount(y, 1, 40 * 100) 10367.880 10597.5235 10744.4655 11655.685 12523.828   100
             gcCount2(y, 1, 40 * 100)   360.225   369.5315   383.6400   399.100   438.274   100
     stri_count_regex(y, c("[GgCc]"))   131.483   137.9370   151.8955   176.511   221.839   100

Answer 6

感谢所有这篇文章，

为了优化我想要计算200bp的100M序列的GC内容的脚本，我最终测试了这里提出的不同方法。 Ken Williams的方法表现最佳（2.5小时），优于seqinr（3.6小时）。使用stringr str_count减少到1.5小时。

最后我用C ++编写它并使用Rcpp调用它，它将计算时间减少到10分钟！

这是C ++代码：

#include <Rcpp.h>
using namespace Rcpp;
// [[Rcpp::export]]
float pGC_cpp(std::string s) {
  int count = 0;

  for (int i = 0; i < s.size(); i++) 
    if (s[i] == 'G') count++;
    else if (s[i] == 'C') count++;

  float pGC = (float)count / s.size();
  pGC = pGC * 100;
  return pGC;
}

我打电话给R打字：

sourceCpp("pGC_cpp.cpp")
pGC_cpp("ATGCCC")

使用R分割字符串和计算字符的速度更快？

6 个答案: