在 R 中存储长字符串（DNA 序列）答案

【问题标题】：storing long strings (DNA sequence) in R在 R 中存储长字符串（DNA 序列）
【发布时间】：2015-02-08 21:44:00
【问题描述】：

我编写了一个函数，可以找到长 DNA 序列中子序列的索引。当我的较长 DNA 序列小于 4000 个字符时，它可以工作。但是，当我尝试将相同的函数应用于更长的序列时，控制台给了我一个 + 而不是 >... 这让我相信问题出在字符串的长度上。

例如：当较长的序列是：“GATATATGCATATACTT”，而子序列是：“ATAT”时，我得到索引“1、3、9”（从0开始）

dnaMatch <- function(dna, sequence) {
  ret <- list()
  k <- str_length(sequence)
  c <- str_length(dna) - k 
  for(i in 1:(c+1)) {
    ret[i] = str_sub(dna, i, i+k-1)
  }
  ret <- unlist(ret)
  TFret <- lapply (ret, identical, sequence)
  TFret <- which(unlist(TFret), arr.ind = TRUE) -1
  print(TFret)
}

基本上，我的问题是……有什么办法可以绕过字符串类中的字符限制？

【问题讨论】：

"控制台给我一个 + 而不是 >" - 这通常是由于缺少 )、"、' 或 }。你有没有仔细检查你的代码是否有错别字？
抱歉，澄清一下：当我尝试将任意变量设置为非常长的 DNA 序列时，控制台会提示我。即：dna
我明白了，我能够通过运行 cat(paste0(rep("abcdef",1000),collapse=""))、复制输出并尝试将其分配给对象 x <- "[paste copied text]" 来复制此问题。可能存在某种缓冲限制。
我可以复制您的示例 nrussell，但这会正确分配 x<-paste0(rep("abcdef",1000),collapse="")
在 100k 长度的字符串上使用 dnaMatch(x, 'ATATAT') 和 gregexpr('ATATAT', x) 分别是 49 秒和 0.003 秒。抱歉，没有耐心再运行你的循环了

标签： r string

【解决方案1】：

我可以复制 nrussell 的示例，但这会正确分配 x<-paste0(rep("abcdef",1000),collapse="") - 一种潜在的解决方法是将字符串写入 .txt 文件并将 .txt 文件直接读入 R：

test.txt 是一个 6,000 字符长的字符串。

`test<-read.table('test.txt',stringsAsFactors = FALSE)
 length(class(test[1,1]))
[1] 1
class(test[1,1])
[1] "character"
 nchar(test[1,1])
[1] 6000`

【讨论】：

谢谢 - 这就是我最终要做的！
酷！您也应该研究正则表达式匹配。在这种情况下，它可以成为救命稻草。

【解决方案2】：

与其自己编写函数，不如使用 seqinr 包中的 words.pos 函数。它似乎甚至适用于多达一百万个碱基对的字符串。

例如，

library(seqinr)
data(ec999)
myseq <- paste(ec999[[1]], collapse="")
myseq <- paste(rep(myseq,100), collapse="")
words.pos("atat", myseq)

【讨论】：

github.com/cran/seqinr/blob/master/R/words.pos.R 使用while 循环，增长对象，substr.. 可能不是有史以来最快的事情。而且只是regexpr 的包装器
不是最快的，但她的示例表明她想要找到不相交的匹配项。
Basically, my question is... is there any way around the character-limitation in the string class? - 我认为她的问题实际上是关于 R 解释器缓冲区的问题，即它一次只能处理有限数量的输入到控制台的文本；与她的职能表现无关。