(我已尝试在BioStars上询问此问题,但由于文本挖掘中的某个人认为有更好的解决方案的可能性很小,我也会在此处重新发布此信息。
我正在努力实现的任务是对齐多个序列。
我没有匹配的基本模式。我所知道的只是“真实”模式的长度应该是“30”,并且我在随机点上引入了缺失值的序列。
这是一个这样的序列的例子,在左边我们看到缺失值的真实位置是什么,在右边我们看到了我们能够观察到的序列。
我的目标是仅使用右栏中的序列重建左栏(基于每个位置的许多字母都相同的事实)
Real_sequence The_sequence_we_see
1 CGCAATACTAAC-AGCTGACTTACGCACCG CGCAATACTAACAGCTGACTTACGCACCG
2 CGCAATACTAGC-AGGTGACTTCC-CT-CG CGCAATACTAGCAGGTGACTTCCCTCG
3 CGCAATGATCAC--GGTGGCTCCCGGTGCG CGCAATGATCACGGTGGCTCCCGGTGCG
4 CGCAATACTAACCA-CTAACT--CGCTGCG CGCAATACTAACCACTAACTCGCTGCG
5 CGCACGGGTAAGAACGTGA-TTACGCTCAG CGCACGGGTAAGAACGTGATTACGCTCAG
6 CGCTATACTAACAA-GTG-CTTAGGC-CTG CGCTATACTAACAAGTGCTTAGGCCTG
7 CCCA-C-CTAA-ACGGTGACTTACGCTCCG CCCACCTAAACGGTGACTTACGCTCCG
以下是重现上述示例的示例代码:
ATCG <- c("A","T","C","G")
set.seed(40)
original.seq <- sample(ATCG, 30, T)
seqS <- matrix(original.seq,200,30, T)
change.letters <- function(x, number.of.changes = 15, letters.to.change.with = ATCG)
{
number.of.changes <- sample(seq_len(number.of.changes), 1)
new.letters <- sample(letters.to.change.with , number.of.changes, T)
where.to.change.the.letters <- sample(seq_along(x) , number.of.changes, F)
x[where.to.change.the.letters] <- new.letters
return(x)
}
change.letters(original.seq)
insert.missing.values <- function(x) change.letters(x, 3, "-")
insert.missing.values(original.seq)
seqS2 <- t(apply(seqS, 1, change.letters))
seqS3 <- t(apply(seqS2, 1, insert.missing.values))
seqS4 <- apply(seqS3,1, function(x) {paste(x, collapse = "")})
require(stringr)
# library(help=stringr)
all.seqS <- str_replace(seqS4,"-" , "")
# how do we allign this?
data.frame(Real_sequence = seqS4, The_sequence_we_see = all.seqS)
我明白,如果我所拥有的只是一个字符串和模式,我就可以使用
library(Biostrings)
pairwiseAlignment(...)
但在我提出的情况下,我们正在处理许多序列以相互对齐(而不是将它们与一个模式对齐)。
在R?
中是否有已知的方法答案 0 :(得分:9)
在R中编写对齐算法对我来说看起来不错,但MUSCLE包中的bio3d算法有一个R接口(函数seqaln())。请注意,您必须先安装此算法。
或者,您可以使用任何可用的算法(例如ClustalW,MAFFT,T-COFFEE)并使用bioconductor功能导入R中的多个序列alignemts。 See eg here.。
答案 1 :(得分:4)
虽然这是一个很老的线程,但我不想错过机会提及,因为Bioconductor 3.1,有一个包'msa
'实现了三种不同的多序列比对算法的接口:ClustalW ,ClustalOmega和MUSCLE。该软件包可在所有主要平台(Linux / Unix,Mac OS和Windows)上运行,并且在无需安装任何外部软件的意义上是自包含的。可以在http://www.bioinf.jku.at/software/msa/和http://www.bioconductor.org/packages/release/bioc/html/msa.html找到更多信息。
答案 2 :(得分:2)
您可以使用DECIPHER包在 R 中执行多重对齐。
按照您的示例,它看起来像:
library(DECIPHER)
dna <- DNAStringSet(all.seqS)
aligned_DNA <- AlignSeqs(dna)
它快速且至少与此处列出的其他方法一样准确(参见paper)。我希望有所帮助!
答案 3 :(得分:0)
您正在寻找多个序列的全局比对算法。 在询问之前你是否看过维基百科?
首先了解global alignment是什么,然后查找multiple sequence alignment。
维基百科没有提供很多关于算法的细节,但this paper更好。