如何在R中使用agrep输出特定长度的字符串

Question

我有一堆DNA序列。

我想要匹配序列的一部分，并且想要返回直到特定长度的匹配

dataframe df包含以下列：

V1和V2

>chr1:61695-62229      aattccaagagtattattgcaccaaaaggcatggacttaaaattcttgatacatgatttcaaaatattttctttaaggtttgaatcagtctatattccctccagcagcgtataaaagtgccaatttctctgatccttagccagtttgggtaataataattgtaaaacttttttttctttttttttgagacagagtctccctctgtcgccaggctgaagtgcagtggcgcaatctcggctcactgcaacctccgcctcccggggtcaagctattctcctgcctcagcctcccaagtagctgggactacaggcatgcaccaccatgcccagctaatttttgttatttttagtagagatggagtttccccatgttggacaggatggtctcgatctcttgacctcgtgatccaccctcctcggcctcccaaagtgctgggataacaggcgtgaacaaccatgcccggcctgtaaaactttttcctaatttaacagaaaaataatagtattatattttatcatatttctttgatttcta

>chr1:101718-102194   taaaaataaatgtattaagtatgaacaacaaaaaagctagtaaaggttgaacaacaactatccttaggaaagtggaaataatgtattaataaatatgaaagcaggctagccacggtgactcacatctgtaatcccagcactttgggaggctgaggcaggcagatcacctgaggtcaggagttccagaccagcctggccaacatggtgaaatcttgtctctcctacaaatacaaaaactagccaggcttggttgtgcactcctgtaattcgagctacttgggaggctgaggcaggagaatctcttgaacctgagaggcagaggttgcagtgagccaagatcatgccactgcactccagctggggcaacagagtgacactccatctcaaaataaataaataagaaagcagaaactaataaactagaaaacagaaacatagaactaatttataaatcaaagcactatgccttgaaaaga

我已经使用了agrep来获得匹配。

RepeatAlusSequencesdfMatch <- RepeatAlusSequencesdf[agrep("aacctcaaagactggcctca", RepeatAlusSequencesdf[,2],ignore.case = TRUE, max.distance = 0.3), ]

但我还想返回匹配结束时146个字符的长度。目前它给我的是我不能使用的整个序列

Answer 1

请看我上面的评论。我不认为你可以通过agrep来实现你想要做的事情。如果您尝试模糊匹配的DNA序列具有可预测的核苷酸插入/删除/替换的数量和位置，则只需使用一个(或多个)带有捕获组的正则表达式来提取所需的内容。

如果差异是不可预测的，并且您确实需要模糊匹配，则可以使用类似以下的蛮力算法：

1. 将你的每个DNA字符串分解成随机的位置，比如产生不同的146个核苷酸长的“阈值”max.distance，对结果序列运行
   1. ，并选择匹配的序列。
   2. 从上面的集合中选择最佳匹配项，方法是使用连续变小的max.distances运行
   3. ，直到得到您感兴趣的匹配项。

你选择的146个核苷酸序列越不同，你得到的结果就越准确。如果你想找到最佳匹配，可以使用穷举搜索，从头开始遍历每个DNA序列，将其分解为146个核苷酸片段，然后运行上面的算法，然后从开始留出一个核苷酸，选择下一个分区，依此类推，直到最后。

希望这对你有所帮助，或者提供更好的想法。