Question

我感兴趣的是从序列中产生所有缺口kmer，其中gapped-kmer被定义为长度为k的序列，由长度为k的另一个序列分隔多达m个位置。因此，例如，＆＃34;序列CAGAT gappy对 k = 1且m = 2的核发现了单体对，其间具有0到2个不相关的位置。即它找到特征CA，C.G，C..A，AG，A.A，A..T，GA，G.T和AT＆＃34;

replacefxn <- function(x, k, m) {
  substr(x, k + 1, k + m) <- paste(rep("X", m), collapse = "")
  return(x)
}
gappedkmersfxn <- function(x, k, m) {
  n <- (2 * k + m)
  subseq <-
    substring(x, seq(from = 1, to = (nchar(x) - n + 1)), seq(from = n, to = nchar(x)))
  return(sapply(subseq, replacefxn, k, m))
}



allgappedkmersfxn <- function(x, k, m) {
  kmers <- list()
  for (i in 0:m) {
    kmers[[i]] <- gappedkmersfxn(x, k, i)
  }
  kmers <- unlist(kmers)
  return(kmers)
}

allgappedkmersfxn是我目前实现的方式，但它没有添加没有间隙的特征（m是最大间隙，但从0到m），因此没有给我所有所需的功能（参见＆＃34; CAGAT＆＃34;）的例子。此外，当一次执行数百万个序列时，它非常缓慢且效率低下。它的编码也很差，但由于R的经验有限，我不知道如何改进它。

在确保所有预期的子序列（例如：CAGAT - > CA，CG，C..A，AG，AA，A..T，GA，GT和AT）时，最有效的方法是什么？对于k = 1，m = 2）包含在输出中？

谢谢！

Answer 1

您可能希望查看Bioconductor kebabs package中的gappy对内核的实现。

安装：

## try http:// if https:// URLs are not supported
source("https://bioconductor.org/biocLite.R")
biocLite("kebabs")

生成k = 1，m = 2内核：

library(kebabs)
gappyK1M2 <- gappyPairKernel(k = 1, m = 2)

从DNA序列生成显式表示：

dnaseqs <- DNAStringSet("CAGAT")
dnaseqsrep <- getExRep(dnaseqs, gappyK1M2)

k-mers存储在Dimnames插槽中：

dnaseqsrep@Dimnames[[2]]
[1] "A.A"  "AG"   "AT"   "A..T" "CA"   "C..A" "C.G"  "GA"   "G.T"

从字符串生成所有有缺口的k-mer序列

1 个答案: