调用带有变量对象的函数

Question

我有一个只有一列的多行数据框，该列具有可变长度的字符串，范围从30000到200000个字符（DNA序列）。 [下面是150个字符的示例]

TTCCCCAAACAGCAACTTTAAGGAGCAGCTTCCTTTATGATCCCTGATTGCCTCCCCTTTGTTCCCATAACAAGTAGTTTAAATTTTCTGTTAAAGTCCAAACCACATATTTACAATACCTCGCACC

这是完整的数据集：https://drive.google.com/open?id=1f9prtKW5NnS-BLI5lqsl4FEi4PvRfxGR

我在R中有一个代码，该代码根据行的长度将每行分为20个bin，并计算每个bin中G和C的出现，并给我返回20列的矩阵。这是代码：

library(data.table)
data <- fread("string.fa", header = F)

loopchar <- function(data){ bins <- sapply(seq(1, nchar(data), nchar(data)/20), function(x) substr(data, x, x + nchar(data)/20 - 1))output <- (str_count(bins, c("G"))/nchar(bins) + str_count(bins, c("C"))/nchar(bins))*100}

result <- data.frame(t(apply(data,1,loopchar)))

但是，现在我想做些不同的事情。我希望子字符串段（20）不同于我拥有的列表，而不是nchar(data)/20。因此，现在对于我的数据框，第一行应划分为22个bin / segment，代码将为nchar(data)/22。

第二行应分为21个bin，代码为nchar(data)/21，依此类推。我希望该功能不断更改数据箱的数量。我的带有字符串的数据数据框和带有bin的数字矢量列表的长度都是相同的。

做到这一点的最佳方法是什么？

Answer 1

使用某些Bioconductor的库来执行此类任务更为自然。就我而言，我使用Biostrings，但也许您可以找到另一种方法。

数据

您的文件太大，因此我创建了一个文本文件（在内存中），其中每行包含随机DNA：

# set seed to create reproducible example

set.seed(53101614)

# create an example text file in memory

temp <- tempfile()
writeLines(
  sapply(1:100, function(i){
    paste(sample(c("A", "T", "C", "G"), sample(100:6000), 
                 replace = T), collapse = "")
  }),
  con = temp
)

# read lines from tmp file

dna <- readLines(temp)

# unlink file

unlink(temp)

数据预处理

创建Biostrings::DNAStringSet对象

使用Biostrings::DNAStringSet()函数，我们可以读取character向量来创建DNAStringSet对象。请注意，我假设所有记录均使用标准DNA字母，即每个字符串仅包含A, T, C, G符号。如果您不满意，请参阅Biostrings文档。

dna <- DNAStringSet(dna, use.names = F)

# inspect the output

dna

A DNAStringSet instance of length 100
      width seq
  [1]  2235 GGGCTTCCGGTGGTTGTAGGCCCATAAGGTGGGAAATATACA...GAAACGTCGACAAGATACAAACGAGTGGTCAACAGGCCAGCC
  [2]  1507 ATGCGGTCTATCTACTTGTTCGGCCGAACCTTGAGGGCAGCC...AACGCTTTGTACCTGTCCCAGAGTCAGAAGTAACAGTTTAGC
  [3]  1462 CATTGGAGTACATAGGGTATTCCCTCTCGTTGTATAACTCCA...TCCTACTTGCGAAGGCAGTCGCACACAAGGGTCTATTTCGTC
  [4]  1440 ATGCTACGTTGGTAGGGTAACGCAGACTAGAACCACACGGGA...ATAAAGCCGTCACAAGGAATGTTAGCACTCAATGGCTCGCTA
  [5]  3976 AAGCGGAAGTACACGTACCCGCGTAGATTACGTATAGTCGCC...TTACGCGTTGCTCAAATCGTTCGGTGCAGTTTTATAGTGATG
  ...   ... ...
 [96]  4924 AGTAAGCAGATCCAGAGTACTGTGAAAGACGTCAGATCCCGA...TATAATGGGTTGCGTGTTTGATTCTGCCATGAATCCTATGTT
 [97]  5702 CCTGAAGAGGACGTTTCCCCCTACATCCAGTAGTATTGGTGT...TCTGCTTTGCGCGGCGGGGCCGGACTGTCCATGGCTCACTTG
 [98]  5603 GCGGCTGATTATTGCCCGTCTGCCTGCATGATCGAGCAGAAC...CTCTTTACATGCTCATAGGAATCGGCAACGAAGGAGAGAGTC
 [99]  3775 GGCAAGACGGTCAGATGTTTTGATGTCCGGGCGGATATCCTT...CGCTGCCCGTGACAATAGTTATCATAAGGAGACCTGGATGGT
[100]   407 TGTCGCAACCTCTCTTGCACGTCCAATTCCCCGACGGTTCTA...GCGACATTCCGGAGTCTGCGCAGCCTATGTATACCCTACAGA

创建随机N个垃圾箱的向量

set.seed(53101614)

k <- sample(100, 100, replace = T)

# inspect the output

head(k)

[1] 37 32 63 76 19 41

创建Views对象是由N = k[i]块代表的每个DNA序列

使用IRanges::Views容器解决问题要容易得多。这东西真是快又漂亮。

首先，我们将每个DNA分为k[i]范围：

seqviews <- lapply(seq_along(dna), function(i){

  seq = dna[[i]]
  seq_length = length(seq)

  starts = seq(1, seq_length - seq_length %% k[i], seq_length %/% k[i])

  Views(seq, start = starts, end = c(starts[-1] - 1, seq_length))
  }
)

# inspect the output for k[2] and seqviews[2]

k[2]
seqviews[2]

32

Views on a 1507-letter DNAString subject subject: ATGCGGTCTATCTACTTG...GTCAGAAGTAACAGTTTAG
    views:
         start  end width
     [1]     1   47    47 [ATGCGGTCTATCTACTTGTTCGGCCGAACCTTGAGGGCAGCCAGCTA]
     [2]    48   94    47 [ACCGCCGGAGACCTGAGTCCACCACACCCATTCGATCTCCATGGTTG]
     [3]    95  141    47 [GCGCTCTCCGAGGTGCCACGTCAAGTTGTACTACTCTCTCAGACCTC]
     [4]   142  188    47 [TTGTTAGAAGTCCCGAGGTATATGCGCAATACCTCAACCGAAGCGCC]
     [5]   189  235    47 [TGATGAGCAAACGTTTCTTATAGTCGCGACCTTGTCCCGAGGACTTG]
     ...   ...  ...   ... ...
    [28]  1270 1316    47 [AGGCGAGGGCAGGGCACATGTTTCTACAGTGAGGCGTGATCCGCTCC]
    [29]  1317 1363    47 [GAGGCAAGCTCGTGAACTGTCGTGGCAAGTTACTTATGAGGATGTCA]
    [30]  1364 1410    47 [TGGGCAGATGCAACAGACTGCTATTGGCGGGAGAGAGGCATCGACAT]
    [31]  1411 1457    47 [ACCGTCTCAAGTACCACAGCTGAGAGGCTCTCGTGGAGATGCGCACA]
    [32]  1458 1507    50 [TGAGTCGTAACGCTTTGTACCTGTCCCAGAGTCAGAAGTAACAGTTTAGC]

此后，我们检查是否所有序列都已划分为所需的块数：

all(sapply(seq_along(k), function(i) k[i] == length(seqviews[[i]])))

[1] TRUE

重要观察

在我们继续之前，有一个关于您的功能的重要发现。

您的函数产生N个具有可变长度的块（因为它产生的索引是 floats 而不是 integers ，所以substr()调用时，提供了舍入索引到最接近的整数。

例如，从dna集中提取第一条记录，然后使用您的代码将此序列分为37个bin，将产生以下结果：

dna_1 <- as.character(dna[[1]])

sprintf("DNA#1: %d bp long, 37 chunks", nchar(dna_1))
[1] "DNA#1: 2235 bp long, 37 chunks"

bins <- sapply(seq(1, nchar(dna_1), nchar(dna_1)/37), 
               function(x){
                 substr(dna_1, x, x + nchar(dna_1)/37 - 1)
                 }
               )

bins_length <- sapply(bins, nchar)

barplot(table(bins_length), 
        xlab = "Bin's length", 
        ylab = "Count", 
        main = "Bin's length variability"
)

我在代码中使用 的方法，而length(dna[[i]]) %% k[i] != 0（提醒）会产生k[i] - 1个等长且相等的容器，并且只有最后一个bin 的长度等于length(dna[i]) %/% k[i] + length(dna[[i]] %% k[i]：

bins_length <- sapply(seqviews, length)

barplot(table(bins_length), 
        xlab = "Bin's length", 
        ylab = "Count", 
        main = "Bin's length variability"
)

GC含量计算

如上所述，将Biostrings::letterFrequency()应用于IRanges::Views可使您轻松计算GC含量：

查找每个DNA序列中每个bin的GC频率

GC <- lapply(seqviews, letterFrequency, letters = "GC", as.prob = TRUE)

转换为百分比

GC <- lapply(GC, "*", 100)

检查输出

head(GC[[1]])
          G|C
[1,] 53.33333
[2,] 46.66667
[3,] 50.00000
[4,] 55.00000
[5,] 60.00000
[6,] 45.00000

绘制DNA 1:9的GC含量

par(mfrow = c(3, 3))

invisible(
  lapply(1:9, function(i){
    plot(GC[[i]], 
         type = "l", 
         main = sprintf("DNA #%d, %d bp, %d bins", i, length(dna[[i]]), k[i]),
         xlab = "N bins",
         ylab = "GC content, %",
         ylim = c(0, 100)
    )
    abline(h = 50, lty = 2, col = "red")
  }
  )
)