Question

编辑：对于稍后搜索的人来说，当我尝试输出序列属性时，这个数据是我从Biomart获得的输出可能会有用。

我有以下基因组数据：

structure(list(Sequences = structure(c(2L, 10L, 3L, 8L, 9L, 1L, 
5L, 4L, 6L, 7L), .Label = c(">ENSRNOG00000000902|Hsph1", ">ENSRNOG00000001136|Pebp1", 
">ENSRNOG00000001214|Pfkl", "AGAGAGGCGAGCGGCGGAGAGCGGTGGCAAATACTGAACGCAGTCTCGCAGGGTAAGCCC", 
"GAGCGATTGGGACCTCCCCTTTTGGATTGGTAGCTGAGCGGCAGTGGCGGCGGCTGCGTG", 
"GAGGCATCTTCCCGGCCGGTCGGGAGCAGGAGGAGCACGCAGCGGATCCCAGGCAGAGGC", 
"GGACCGGGCCAGCC", "GGCGGGGACAGGCGACAGCCGCGCGGAACGCAGAGCGGCGGGAGAGGAGCTCGGGCTCCT", 
"GGTCTCTGCTGCCGTC", "GTTTAACTGCACTCGGGACTCGGCGCGCGCGTGTGTCTGTTCTCTCCATCGTC"
), class = "factor")), .Names = "Sequences", class = "data.frame", row.names = c(NA, 
-10L))

我想重新排列数据，以便第一列显示基因ID信息（例如，对于第一种情况，它将是：“＆gt; ENSRNOG00000001136 | Pebp1”）然后它下面的基因组代码行将一起出现在旁边的列。注意，行7-10具有多行遗传密码。在这里，基因ID信息下面的所有字符串将连接在一起，而不是分布在4个单独的行上。最后，我还要删除“＆gt;”每个基因ID之前的符号。

最终输出将是：

ID                          Sequence
ENSRNOG00000001136|Pebp1    GTTTAACTGCACTCGGGACTCGGCGCGCGCGTGTGTCTGTTCTCTCCATCGTC
ENSRNOG00000001214|Pfkl GGCGGGGACAGGCGACAGCCGCGCGGAACGCAGAGCGGCGGGAGAGGAGCTCGGGCTCCTGGTCTCTGCTGCCGTC
ENSRNOG00000000902|Hsph1    GAGCGATTGGGACCTCCCCTTTTGGATTGGTAGCTGAGCGGCAGTGGCGGCGGCTGCGTGAGAGAGGCGAGCGGCGGAGAGCGGTGGCAAATACTGAACGCAGTCTCGCAGGGTAAGCCCGAGGCATCTTCCCGGCCGGTCGGGAGCAGGAGGAGCACGCAGCGGATCCCAGGCAGAGGCGGACCGGGCCAGCC

请注意，这只是~2500行数据帧的前几行。解决方案需要足够通用，它可以解析序列占用的行数可能超过上例中显示的4行的情况。

Answer 1

在标记行是否为基因名称（基于它是否具有＆＃34;＆gt;＆＃34;）之后，您可以使用cumsum来确定行的组。然后，您可以使用substr删除前导＆＃34;＆gt;＆＃34;和tapply与paste合并每组中的所有基因。

dat$Sequences <- as.character(dat$Sequences)
(is.gene <- grepl(">", dat$Sequences))
# [1]  TRUE FALSE  TRUE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE
(gene.groups <- cumsum(is.gene))
# [1] 1 1 2 2 2 3 3 3 3 3
data.frame(ID=substr(dat$Sequences[is.gene], 2, nchar(dat$Sequences[is.gene])),
           Sequence=tapply(dat$Sequences[!is.gene], gene.groups[!is.gene], paste, collapse=""))
#                         ID
# 1 ENSRNOG00000001136|Pebp1
# 2  ENSRNOG00000001214|Pfkl
# 3 ENSRNOG00000000902|Hsph1
#                                                                                                                                                                                             Sequence
# 1                                                                                                                                              GTTTAACTGCACTCGGGACTCGGCGCGCGCGTGTGTCTGTTCTCTCCATCGTC
# 2                                                                                                                       GGCGGGGACAGGCGACAGCCGCGCGGAACGCAGAGCGGCGGGAGAGGAGCTCGGGCTCCTGGTCTCTGCTGCCGTC
# 3 GAGCGATTGGGACCTCCCCTTTTGGATTGGTAGCTGAGCGGCAGTGGCGGCGGCTGCGTGAGAGAGGCGAGCGGCGGAGAGCGGTGGCAAATACTGAACGCAGTCTCGCAGGGTAAGCCCGAGGCATCTTCCCGGCCGGTCGGGAGCAGGAGGAGCACGCAGCGGATCCCAGGCAGAGGCGGACCGGGCCAGCC

Answer 2

这是一个可能的data.table解决方案（尽管如果您愿意，您可以在以后删除名为indx的其他列）

library(data.table)
setDT(df)[, list(
              ID = sub("^>", "", Sequences[1L]), 
              Sequences = paste(Sequences[-1L], collapse = "")
              ), 
            by = list(indx = cumsum(grepl(">", Sequences)))]

R：将特定行的单列数据框重新排列到新列

2 个答案: