R/BioC序列处理之二:Biostrings序列的基本操作
来源:互联网 发布:淘宝每日好店怎么上 编辑:程序博客网 时间:2024/06/05 23:42
还是先获取随机DNA序列和其他序列对象:
函数的用法简单,但需注意XString类对象的返回结果和其他类型有些差别:
注:本文R语言的代码加亮显示由RStudio/knitr产生,使用R脚本对其产生的HTML代码进行解析后发布到本博客。
library(Biostrings)rndSeq <- function(dict, n) { paste(sample(dict, n, replace = T), collapse = "")}set.seed(0)# 用mapply和rndSeq函数获取5条序列(字符串):DNA.raw <- mapply(rndSeq, list(DNA_BASES), rep(20, 5))names(DNA.raw) <- paste("SEQ", 1:5, sep = "-")# DNAString对象,1条序列DNA.str <- DNAString(DNA.raw[1])# DNAStringSet对象,含5条序列DNA.set <- DNAStringSet(DNA.raw)# Views对象DNA.vws <- successiveViews(DNA.str, width = rep(4, 5))
一、获取序列基本信息
包括获取名称(names)、长度(length)、字符个数(nchar)和对象头/尾(head/tail)等信息的函数。函数的用法简单,但需注意XString类对象的返回结果和其他类型有些差别:
# length函数----------------------length(DNA.raw)
## [1] 5
# 结果为序列的长度length(DNA.str)
## [1] 20
length(DNA.set)
## [1] 5
length(DNA.vws)
## [1] 5
# nchar函数-----------------------nchar(DNA.raw)
## SEQ-1 SEQ-2 SEQ-3 SEQ-4 SEQ-5 ## 20 20 20 20 20
nchar(DNA.str)
## [1] 20
nchar(DNA.set)
## [1] 20 20 20 20 20
nchar(DNA.vws)
## [1] 4 4 4 4 4
# head/tail函数-------------------head(DNA.raw, 2)
## SEQ-1 SEQ-2 ## "TCCGTATTGGAAAGCTCGTC" "TTAGACCACTCCGCATGTAG"
# 结果为序列的前几个碱基head(DNA.str, 2)
## 2-letter "DNAString" instance## seq: TC
head(DNA.set, 2)
## A DNAStringSet instance of length 2## width seq names ## [1] 20 TCCGTATTGGAAAGCTCGTC SEQ-1## [2] 20 TTAGACCACTCCGCATGTAG SEQ-2
head(DNA.vws, 2)
## Views on a 20-letter DNAString subject## subject: TCCGTATTGGAAAGCTCGTC## views:## start end width## [1] 1 4 4 [TCCG]## [2] 5 8 4 [TATT]
二、序列转换
1、获取反向、互补、反向互补序列:
reverse(), complement(), reverseComplement()可以使用string, XString, XXXSet和Views类对象进行操作。下面看看reverse函数的结果:DNA.raw
## SEQ-1 SEQ-2 SEQ-3 ## "TCCGTATTGGAAAGCTCGTC" "TTAGACCACTCCGCATGTAG" "CTGTGGTACGGCTCAAACGG" ## SEQ-4 SEQ-5 ## "CTCCCGCCTATCTCCCTTCT" "TCGCCTAGAAAAAGTTTCCT"
reverse(DNA.raw)
## SEQ-1 SEQ-2 SEQ-3 ## "CTGCTCGAAAGGTTATGCCT" "GATGTACGCCTCACCAGATT" "GGCAAACTCGGCATGGTGTC" ## SEQ-4 SEQ-5 ## "TCTTCCCTCTATCCGCCCTC" "TCCTTTGAAAAAGATCCGCT"
reverse(DNA.str)
## 20-letter "DNAString" instance## seq: CTGCTCGAAAGGTTATGCCT
reverse(DNA.set)
## A DNAStringSet instance of length 5## width seq names ## [1] 20 CTGCTCGAAAGGTTATGCCT SEQ-1## [2] 20 GATGTACGCCTCACCAGATT SEQ-2## [3] 20 GGCAAACTCGGCATGGTGTC SEQ-3## [4] 20 TCTTCCCTCTATCCGCCCTC SEQ-4## [5] 20 TCCTTTGAAAAAGATCCGCT SEQ-5
reverse(DNA.vws)
## Views on a 20-letter DNAString subject## subject: CTGCTCGAAAGGTTATGCCT## views:## start end width## [1] 17 20 4 [GCCT]## [2] 13 16 4 [TTAT]## [3] 9 12 4 [AAGG]## [4] 5 8 4 [TCGA]## [5] 1 4 4 [CTGC]
2、序列翻译:
翻译函数translate()只能使用XString和XXXSet类对象(Biostrings version 2.29.3):# 错误translate(DNA.raw)
## Error: unable to find an inherited method for function 'translate' for## signature '"character"'
translate(DNA.str)
## 6-letter "AAString" instance## seq: SVLESS
# 错误translate(DNA.set)
## A AAStringSet instance of length 5## width seq## [1] 6 SVLESS## [2] 6 LDHSAC## [3] 6 LWYGSN## [4] 6 LPPISL## [5] 6 SPRKSF
# 错误translate(DNA.vws)
## Error: unable to find an inherited method for function 'translate' for## signature '"XStringViews"'
3、DNA/RNA互转:
使用dna2rna, rna2dna或cDNA函数。这些函数对于数据对象有严格的要求:DNA.str
## 20-letter "DNAString" instance## seq: TCCGTATTGGAAAGCTCGTC
dna2rna(DNA.str)
## 20-letter "RNAString" instance## seq: UCCGUAUUGGAAAGCUCGUC
# 错误dna2rna(DNA.raw)
## Error: dna2rna() only works on DNA input
# 错误cDNA(DNA.str)
## Error: cDNA() only works on RNA input
cDNA(dna2rna(DNA.str))
## 20-letter "DNAString" instance## seq: AGGCATAACCTTTCGAGCAG
4、其他:
R base包的chartr函数已经重载,可以应用于序列对象,但最好避免使用,因为会出现符号检查问题:chartr("T", "A", DNA.set)
## A DNAStringSet instance of length 5## width seq names ## [1] 20 ACCGAAAAGGAAAGCACGAC SEQ-1## [2] 20 AAAGACCACACCGCAAGAAG SEQ-2## [3] 20 CAGAGGAACGGCACAAACGG SEQ-3## [4] 20 CACCCGCCAAACACCCAACA SEQ-4## [5] 20 ACGCCAAGAAAAAGAAACCA SEQ-5
# 错误chartr("T", "U", DNA.set)
## Error: key 85 (char 'U') not in lookup table其他一些R base包的字符串操作函数也可以使用序列对象,但注意返回结果的类型。下面两行代码的返回值都是字符串向量,而不是DNAStringSet对象:
tolower(DNA.set)
## SEQ-1 SEQ-2 SEQ-3 ## "tccgtattggaaagctcgtc" "ttagaccactccgcatgtag" "ctgtggtacggctcaaacgg" ## SEQ-4 SEQ-5 ## "ctcccgcctatctcccttct" "tcgcctagaaaaagtttcct"
gsub("T", "U", DNA.set)
## SEQ-1 SEQ-2 SEQ-3 ## "UCCGUAUUGGAAAGCUCGUC" "UUAGACCACUCCGCAUGUAG" "CUGUGGUACGGCUCAAACGG" ## SEQ-4 SEQ-5 ## "CUCCCGCCUAUCUCCCUUCU" "UCGCCUAGAAAAAGUUUCCU"
三、序列截取(sequence subset)
1、使用序列构造函数
Biostrings的XXXSet类和Views类序列构造函数本身就具备序列subset的功能,Views类对象可以通过类型转换获得XXXSet类对象。具体使用方法请参看上一篇文章。2、subseq函数
subseq函数可以用于序列截取,也可以对选定序列进行修改:DNAstr <- DNAString(rndSeq(DNA_BASES, 50))(subseq(DNAstr, start = 20, end = 30))
## 11-letter "DNAString" instance## seq: CGTCCATCGAA
# 上面语句的subseq函数仅仅是截取了序列,没有改变原序列DNAstr
## 50-letter "DNAString" instance## seq: GGCCTGAACTGTGCCAAGACGTCCATCGAAGGAAGTGGGTGGGACGCAGA
# 下面语句的subseq函数改变了原序列subseq(DNAstr, start = 20, end = 30) <- DNAString("NNN")DNAstr
## 42-letter "DNAString" instance## seq: GGCCTGAACTGTGCCAAGANNNGGAAGTGGGTGGGACGCAGA
3、特殊序列查找和截取
回文(palindrome)序列相关的函数,有:findPalindromes(subject, min.armlength = 4, max.looplength = 1, min.looplength = 0, max.mismatch = 0)palindromeArmLength(x, max.mismatch = 0, ...)palindromeLeftArm(x, max.mismatch = 0, ...)palindromeRightArm(x, max.mismatch = 0, ...)findComplementedPalindromes(subject, min.armlength = 4, max.looplength = 1, min.looplength = 0, max.mismatch = 0)complementedPalindromeArmLength(x, max.mismatch = 0, ...)complementedPalindromeLeftArm(x, max.mismatch = 0, ...)complementedPalindromeRightArm(x, max.mismatch = 0, ...)有应用需求的自己去看看函数说明吧。
四、字符或寡核苷酸组合的统计
1、letterFrequency函数
这个函数用于统计指定字符的频率或比例:letterFrequency(DNA.set, DNA_BASES)
## A C G T## [1,] 4 5 5 6## [2,] 5 6 4 5## [3,] 4 5 7 4## [4,] 1 11 1 7## [5,] 6 5 3 6
letterFrequency(DNA.set, DNA_ALPHABET)
## A C G T M R W S Y K V H D B N - +## [1,] 4 5 5 6 0 0 0 0 0 0 0 0 0 0 0 0 0## [2,] 5 6 4 5 0 0 0 0 0 0 0 0 0 0 0 0 0## [3,] 4 5 7 4 0 0 0 0 0 0 0 0 0 0 0 0 0## [4,] 1 11 1 7 0 0 0 0 0 0 0 0 0 0 0 0 0## [5,] 6 5 3 6 0 0 0 0 0 0 0 0 0 0 0 0 0
letterFrequency(DNA.set, DNA_BASES, as.prob = TRUE)
## A C G T## [1,] 0.20 0.25 0.25 0.30## [2,] 0.25 0.30 0.20 0.25## [3,] 0.20 0.25 0.35 0.20## [4,] 0.05 0.55 0.05 0.35## [5,] 0.30 0.25 0.15 0.30
# 注意下面这种用法:letterFrequency(DNA.set, "GC", as.prob = TRUE)
## G|C## [1,] 0.5## [2,] 0.5## [3,] 0.6## [4,] 0.6## [5,] 0.4
2、letterFrequencyInSlidingView函数
该函数按设置的窗口长度(view.width)一个个碱基滑动并统计字符频率或比例:letterFrequencyInSlidingView(DNA.set[[1]], view.width = 16, letter = DNA_BASES)
## A C G T## [1,] 4 3 4 5## [2,] 4 4 4 4## [3,] 4 3 5 4## [4,] 4 2 5 5## [5,] 4 3 4 5
letterFrequencyInSlidingView(DNA.set[[1]], 16, "GC", as.prob = TRUE)
## G|C## [1,] 0.4375## [2,] 0.5000## [3,] 0.5000## [4,] 0.4375## [5,] 0.4375
3、alphabetFrequency函数
作用与letterFrequency函数类似,但按ALPHABET中的所有因子进行统计。baseOnly设置为TRUE可以对ALPHABET进行限制:alphabetFrequency(DNA.set)
## A C G T M R W S Y K V H D B N - +## [1,] 4 5 5 6 0 0 0 0 0 0 0 0 0 0 0 0 0## [2,] 5 6 4 5 0 0 0 0 0 0 0 0 0 0 0 0 0## [3,] 4 5 7 4 0 0 0 0 0 0 0 0 0 0 0 0 0## [4,] 1 11 1 7 0 0 0 0 0 0 0 0 0 0 0 0 0## [5,] 6 5 3 6 0 0 0 0 0 0 0 0 0 0 0 0 0
alphabetFrequency(DNA.set, as.prob = TRUE, baseOnly = TRUE)
## A C G T other## [1,] 0.20 0.25 0.25 0.30 0## [2,] 0.25 0.30 0.20 0.25 0## [3,] 0.20 0.25 0.35 0.20 0## [4,] 0.05 0.55 0.05 0.35 0## [5,] 0.30 0.25 0.15 0.30 0
4、寡核苷酸统计:
有以下函数,分别统计2核苷酸组合、3核苷酸组合和寡核苷酸组合:dinucleotideFrequencytrinucleotideFrequencyoligonucleotideFrequency
五、杂项函数
包括使用序列对象进行运算的一些函数(和符号):# 反转对象元素的顺序,不是反转序列!rev(DNA.set)
## A DNAStringSet instance of length 5## width seq names ## [1] 20 TCGCCTAGAAAAAGTTTCCT SEQ-5## [2] 20 CTCCCGCCTATCTCCCTTCT SEQ-4## [3] 20 CTGTGGTACGGCTCAAACGG SEQ-3## [4] 20 TTAGACCACTCCGCATGTAG SEQ-2## [5] 20 TCCGTATTGGAAAGCTCGTC SEQ-1
# 判断两个对象是否相同DNA.set[[1]] == DNA.set[[2]]
## [1] FALSE
# 判断对象是否包含在另外一个对象的元素中DNA.str %in% DNA.set
## [1] TRUEBiostrings在2.0版后还添加了append函数,可以把几个序列集合合并,还可以使用c函数进行合并:
append(DNA.set, DNAStringSet(DNA.str))
## A DNAStringSet instance of length 6## width seq names ## [1] 20 TCCGTATTGGAAAGCTCGTC SEQ-1## [2] 20 TTAGACCACTCCGCATGTAG SEQ-2## [3] 20 CTGTGGTACGGCTCAAACGG SEQ-3## [4] 20 CTCCCGCCTATCTCCCTTCT SEQ-4## [5] 20 TCGCCTAGAAAAAGTTTCCT SEQ-5## [6] 20 TCCGTATTGGAAAGCTCGTC
c(DNA.set, DNAStringSet(DNA.str))
## A DNAStringSet instance of length 6## width seq names ## [1] 20 TCCGTATTGGAAAGCTCGTC SEQ-1## [2] 20 TTAGACCACTCCGCATGTAG SEQ-2## [3] 20 CTGTGGTACGGCTCAAACGG SEQ-3## [4] 20 CTCCCGCCTATCTCCCTTCT SEQ-4## [5] 20 TCGCCTAGAAAAAGTTTCCT SEQ-5## [6] 20 TCCGTATTGGAAAGCTCGTC除以上列出的例子外还有duplicated, unique, sort, order, split, relist等。随着Biostrings的完善,可能会添加更多的函数,使序列的运算更符合R语言的运算习惯。
注:本文R语言的代码加亮显示由RStudio/knitr产生,使用R脚本对其产生的HTML代码进行解析后发布到本博客。
0 0
- R/BioC序列处理之二:Biostrings序列的基本操作
- R/BioC序列处理之一:Biostrings常量与序列容器
- R/BioC序列处理之三:Biostrings模式匹配和序列比对
- R/BioC序列处理之四:BSgenome简介
- R/BioC序列处理之五:Rle和Ranges
- 序列化的基本操作
- 序列化的基本操作
- Python 序列之列表的独有的基本操作
- 时间序列分析之二:基本模型
- 序列化基本操作
- python(一)列表与元组之序列基本操作
- 序列相关的趣题 之二
- Python序列之通用序列操作
- Python之基本数据类型+序列
- Java IO流——序列化的基本操作
- Oracle的序列操作
- 序列的区间操作
- R语言之ggplot2绘图序列一
- 【原创】C语言逗号表达式
- R语言进阶之四:数据整形(reshape)
- R语言进阶之五:表达式、数学公式与特殊符号
- 经典排序算法归纳笔记(1)
- R/BioC序列处理之一:Biostrings常量与序列容器
- R/BioC序列处理之二:Biostrings序列的基本操作
- R/BioC序列处理之三:Biostrings模式匹配和序列比对
- R/BioC序列处理之四:BSgenome简介
- Emacs月月积累(二):窗口、缓冲区和常用模式切换
- android 中如何将多个相互关联的APK打包成一个APK?
- R/BioC序列处理之五:Rle和Ranges
- Emacs月月积累(终结篇):熟练使用org-mode管理日常事务
- 在debian中安装Emacs和R/Bioconductor
- 在R中使用Primer3和NCBI-BLAST进行高通量引物设计