Question

我有一个大型的FASTA文件，我需要为一个类进行分析。

我在How to search and isolate attributes of FASTA formatted text in R问题中找到了帮助。但是，我仍然无法操纵数据使用函数getAnnots()，我得到了一个＆＃34; annots＆＃34;采用以下格式：

>annots
[[i]]
[1] ">SourceAccessionCode | StrainName | type / subtupe | OtherInfo | "

我想将此列表格式更改为数据框，其中列表中的每个元素（每个元素在一个单独的行上）被拆分为四列（每个列包含上述示例中的信息）。

我尝试了strsplit()函数与sapply()和for循环的不同组合，但无济于事。
即使使用它自己的strsplit()也会得到令人不满意的结果

strsplit（GISAnnots [[i]]，split =＆＃34; |＆＃34;）       [[一世]]        [1]＆＃34;＆gt; sourceAccessionCode＆＃34; ＆＃34; |＆＃34; ＆＃34; StrainName＆＃34; ＆＃34; |＆＃34;
       [5]＆＃34;类型＆＃34; ＆＃34; /＆＃34; ＆＃34;子类型＆＃34; ＆＃34; |＆＃34;
       [9]＆＃34; MoreInfo＆＃34; ＆＃34; |＆＃34;

使用for循环会得到以下结果

> info <- for (i in 1:length(GISAnnots))
+   strsplit(GISAnnots[[i]], split = " | ")
> info
NULL

我道歉我没有具体的例子，因为我无法想出一个展示作品的例子，由于版权限制，我不能用我自己的数据作为例子。

感谢您的帮助

Answer 1

这里有一些数据

elt = ">SourceAccessionCode | StrainName | type / subtupe | OtherInfo | "
lst = list(elt, elt))

可能第一个问题是这是一个列表，但您希望它不被列出。对于不太大的数据，一个巧妙的技巧是假装文本输入到read.delim()或类似的

> read.delim(text=unlist(lst), sep="|", header=FALSE, strip.white=TRUE)
                    V1         V2             V3        V4 V5
1 >SourceAccessionCode StrainName type / subtupe OtherInfo NA
2 >SourceAccessionCode StrainName type / subtupe OtherInfo NA

可能会添加stringsAsFactors=FALSE。 Biostrings包还有readDNAStringSet()用于处理fasta文件，其中fasta序列的名称将使用names(readDNAStringSet('your.fasta'))

检索

从R中获取FASTA annots的信息

1 个答案: