我有大量的DNA序列。
我想匹配序列的一部分，我想将匹配返回到特定长度
数据框df包含以下列：
V1和V2
>chr1:61695-62229 aattccaagagtattattgcaccaaaaggcatggacttaaaattcttgatacatgatttcaaaatattttctttaaggtttgaatcagtctatattccctccagcagcgtataaaagtgccaatttctctgatccttagccagtttgggtaataataattgtaaaacttttttttctttttttttgagacagagtctccctctgtcgccaggctgaagtgcagtggcgcaatctcggctcactgcaacctccgcctcccggggtcaagctattctcctgcctcagcctcccaagtagctgggactacaggcatgcaccaccatgcccagctaatttttgttatttttagtagagatggagtttccccatgttggacaggatggtctcgatctcttgacctcgtgatccaccctcctcggcctcccaaagtgctgggataacaggcgtgaacaaccatgcccggcctgtaaaactttttcctaatttaacagaaaaataatagtattatattttatcatatttctttgatttcta
>chr1:101718-102194 taaaaataaatgtattaagtatgaacaacaaaaaagctagtaaaggttgaacaacaactatccttaggaaagtggaaataatgtattaataaatatgaaagcaggctagccacggtgactcacatctgtaatcccagcactttgggaggctgaggcaggcagatcacctgaggtcaggagttccagaccagcctggccaacatggtgaaatcttgtctctcctacaaatacaaaaactagccaggcttggttgtgcactcctgtaattcgagctacttgggaggctgaggcaggagaatctcttgaacctgagaggcagaggttgcagtgagccaagatcatgccactgcactccagctggggcaacagagtgacactccatctcaaaataaataaataagaaagcagaaactaataaactagaaaacagaaacatagaactaatttataaatcaaagcactatgccttgaaaaga
我使用agrep来获得比赛。
RepeatAlusSequencesdfMatch <- RepeatAlusSequencesdf[agrep("aacctcaaagactggcctca", RepeatAlusSequencesdf[,2],ignore.case = TRUE, max.distance = 0.3), ]
但我也希望从比赛结束时返回146个字符的长度。目前，它给了我整个序列，我无法使用
答案 0 :(得分：0)
请参阅上面的评论。我不认为你可以通过agrep实现你想要做的事情。如果你想要模糊匹配的DNA序列具有可预测的核苷酸插入/缺失/取代的数量和位置，那么只需使用一个（或几个）带有捕获组的正则表达式来提取你需要的东西。
如果差异无法预测且您确实需要模糊匹配，则可以使用如下的强力算法：
将每个DNA串分解成随机位置，以产生不同的146个核苷酸长的序列。
使用＆＃34;阈值＆＃34; max.distance对结果序列运行agrep并选择匹配的序列。
从上面的集合中，通过使用连续较小的max.distance运行agrep来选择最佳匹配，直到得到您感兴趣的那个。
您选择的146个核苷酸序列越多，您获得的结果就越准确。如果你想找到 最佳匹配，可以通过从头开始走每个DNA序列进行详尽的搜索，将其分解为146个核苷酸片并运行上述算法，然后从开头留下一个核苷酸，选择下一个分区，依此类推，直到结束。
希望这有助于提供更好的想法。