R 中的匹配和计数字符串（DNA 的 k 聚体）

我有一个字符串列表（DNA 序列），包括 A、T、C、G。我想找到所有匹配项并插入到表中，该表的列都是这些 DNA 字母表的所有可能组合（4^k；“k”是每个匹配项的长度 - K-mer - 必须由用户指定），行代表 DNA 字母表的数量在列表中按顺序匹配。

假设我的名单中有 5 名成员：

DNAlst<-list("CAAACTGATTTT","GATGAAAGTAAAATACCG","ATTATGC","TGGA","CGCGCATCAA")

我要套装k=2（2聚体）所以4^2=16组合可用，包括AA,AT,AC,AG,TA,TT,...

所以我的桌子上会有5 rows and 16 columns。我想计算我的 k-mers 和列表成员之间的匹配数。

我想要的结果：df:

lstMemb AA AT AC AG TA TT TC ...
  1     2  1  1  0  0  3  0
  2       ...
  3
  4
  5

你能帮我在 R 中实现这个吗？

如果您正在寻找速度，显而易见的解决方案是stringi http://www.rexamine.com/resources/stringi/包裹。 有stri_count_fixed计算模式的函数。 现在，检查代码和基准测试！

DNAlst<-list("CAAACTGATTTT","GATGAAAGTAAAATACCG","ATTATGC","TGGA","CGCGCATCAA")
dna <- stri_paste(rep(c("A","C","G","T"),each=4),c("A","C","G","T"))
result <- t(sapply(DNAlst, stri_count_fixed,pattern=dna,overlap=TRUE))
colnames(result) <- dna
result
     AA AC AG AT CA CC CG CT GA GC GG GT TA TC TG TT
[1,]  2  1  0  1  1  0  0  1  1  0  0  0  0  0  1  3
[2,]  5  1  1  2  0  1  1  0  2  0  0  1  2  0  1  0
[3,]  0  0  0  2  0  0  0  0  0  1  0  0  1  0  1  1
[4,]  0  0  0  0  0  0  0  0  1  0  1  0  0  0  1  0
[5,]  1  0  0  1  2  0  2  0  0  2  0  0  0  1  0  0



fstri <- function(x){
    t(sapply(x, stri_count_fixed,dna,T))
}
fbio <- function(x){
    t(sapply(x, function(x){x1 <-  DNAString(x); oligonucleotideFrequency(x1,2)}))
}

all(fstri(DNAlst)==fbio(DNAlst)) #results are the same
[1] TRUE

longDNA <- sample(DNAlst,100,T)
microbenchmark(fstri(longDNA),fbio(longDNA))
Unit: microseconds
           expr        min         lq        mean     median         uq        max neval
 fstri(longDNA)    689.378    738.184    825.3014    766.862    793.134   6027.039   100
  fbio(longDNA) 118371.825 125552.401 129543.6585 127245.489 129165.711 359335.294   100
127245.489/766.862
## [1] 165.9301

Ca 快 165 倍 :)