Question

我对那里的许多R软件包都不熟悉，因此如果在其他地方解决了该问题，我会为我的谷歌搜索技术感到抱歉。

我正在尝试按汉明距离对字符序列进行分组并返回分组大小。汉明距离定义为将seqA转换为SeqB所需的字符差异数。例如，我有以下顺序：

[1] "24 sequences with ID 64"
[1] "   AAAAAACAAAGAACC 64" "   AAAAAAAAAAACTAT 64"
[3] "   AAAAATGCGTGTATA 64" "   AAAAAACAAAGAACC 64"
[5] "   AAAAAAAAAAACTAT 64" "   AAAAATGCGTGTATA 64"
[7] "   AAAAAACAAAGAACC 64" "   AAAAAAAAAAACTAT 64"
[9] "   AAAAATGCGTGTATA 64" "   AAAAAACAAAGAACC 64"
[11] "   AAAAAAAAAAACTAT 64" "   AAAAATGCGTGTATA 64"
[13] "   AAAAAACAAAGAACC 64" "   AAAAAAAAAAACTAT 64"
[15] "   AAAAATGCGTGTATA 64" "   AAAAAACAAAGAACC 64"
[17] "   AAAAAAAAAAACTAT 64" "   AAAAATGCGTGTATA 64"
[19] "   AAAAAACAAAGAACC 64" "   AAAAAAAAAAACTAT 64"
[21] "   AAAAATGCGTGTATA 64" "   AAAAAACAAAGAACC 64"
[23] "   AAAAAAAAAAACTAT 64" "   AAAAATGCGTGTATA 64"

我知道这里有三组独特的序列，它们的汉明距离为：

      [,1] [,2] [,3]
[1,]    0    6    8
[2,]    6    0   10
[3,]    8   10    0

鉴于所有三个序列的距离相差超过2个（改变序列A以使其看起来像序列B所需的位置），我将考虑保留三个唯一的序列集。

如果我有一组序列，汉明距离看起来像这样：

     [,1] [,2] [,3]
[1,]    0    2   13
[2,]    2    0   13
[3,]   13   13    0

我要说的是，第1和第2组实际上是相同的，它们满足<= 2距离阈值，而第3组本身就是一个唯一的组。因此，我希望看到类似以下内容的输出：

sum(group1,group2) 
sum(group3)

我可以在纸和笔上弄清楚该怎么做。但是由于缺乏R的经验，我不知道该去哪里。任何帮助深表感谢。

Answer 1

我不确定我是否能找到您所需要的所有内容，但是这里有一个脚本可能会对您有所帮助。

我制作了一个脚本来构建组并输出列表。它不是很漂亮，对于R初学者来说可能很难理解，但这是我发现的更简单的方法：

make.groupe <- function(the_mat, min_dist = 2) {

  # prepare the result list
  res <- NULL

  # 1 member group:
  res <- as.list(rownames(the_mat)[apply(the_mat,1, function(xx) all(xx>min_dist | xx==0, na.rm=T) )])

  # 2 members group:
  the_mat[upper.tri(the_mat, diag = F)] <- NA

  library(reshape2)
  group <- subset(melt(the_mat), value!=0)
  group <- group[group$value <= min_dist,1:2]

  res <- unname(append(res, lapply(apply(unname(as.matrix(group)),1,as.list),unlist)))

  res
}

您将矩阵和最小距离赋予函数：

mat1 <- matrix(c(0,2,13,2,0,13,13,13,0),3,3, dimnames = list(c("g1","g2","g3"),c("g1","g2","g3")))
make.groupe(mat1, 2)
[[1]]
[1] "g3"

[[2]]
[1] "g2" "g1"

也可以使用第一个矩阵：

mat2 <- matrix(c(0,6,8,6,0,8,8,10,0),3,3, dimnames = list(c("g1","g2","g3"),c("g1","g2","g3")))
make.groupe(mat2, 2)
[[1]]
[1] "g1"

[[2]]
[1] "g2"

[[3]]
[1] "g3"

如果您更改了最小距离，它将起作用：

mat2 <- matrix(c(0,6,8,6,0,8,8,10,0),3,3, dimnames = list(c("g1","g2","g3"),c("g1","g2","g3")))
make.groupe(mat2, 6)
[[1]]
[1] "g3"

[[2]]
[1] "g2" "g1"

更大的矩阵也可以工作：

mat3 <- matrix(c(0,2,8,9,2,0,7,8,8,7,0,1,9,8,1,0),4,4, dimnames = list(c("g1","g2","g3","g4"),c("g1","g2","g3","g4")))
make.groupe(mat3, 2)
[[1]]
[1] "g2" "g1"

[[2]]
[1] "g4" "g3"

对于3个或更多的组，它不起作用。

另一个选择是使用集群功能，但是它不会产生列表：

cutree(hclust(as.dist(mat1)), h=2)

其中h是最小距离。这样会产生一个向量，其中相似的索引代表相同的组：

cutree(hclust(as.dist(mat1)), h=2)
g1 g2 g3 
 1  1  2 
cutree(hclust(as.dist(mat3)), h=2)
g1 g2 g3 g4 
 1  1  2  2 
cutree(hclust(as.dist(mat2)), h=2)
g1 g2 g3 
 1  2  3

如何按序列聚类并返回R中的聚类大小？

1 个答案: