计算数据串中的某些化学反应答案

【问题标题】：Count certain chemical reaction in string of data计算数据串中的某些化学反应
【发布时间】：2017-08-23 00:11:19
【问题描述】：

最有效的计数方法是什么？一串分子式中的甲基化（CH2 的差异）。考虑在一串 100 个不同的分子式中，我有一些公式，如 C6H14O3 和 C5H12O3 和 C4H10O3。第一个和第二个由 CH2 不同，第二个和第三个由 CH2 不同，所以我在这个字符串中有 2 个甲基化。当字符串非常大时，这变得更加复杂。所以我想计算字符串中只有一个 CH2 的分子式有多少不同。

考虑一下我有：

DT<- data.frame(formula=c("C6H12O7S1","C6H10O8S1","C7H4O2N4","C8H12O5S1","C8H16O5S1","C8H12O3N2","C8H14O4S1","C9H7O3N1S1","C9H11O6N1S1","C9H9O6N1S1","C9H12O5S1","C9H18O5S1","C9H14O5","C9H20O5S1","C9H9O4N1S1","C9H9O5N1S1","C9H14O6","C10H11O5N1S1","C10H14O6","C10H16O6S1","C10H17O5N1","C10H20O7S1","C10H14O4","C10H12O7N2","C10H16O6","C10H14O6N2","C10H7O4N1S1","C10H18O6S1","C10H16O5","C10H13O6N1S1","C10H18O7S1","C11H18O6S1","C11H15O6N1","C11H22O7S1","C11H16O6S1","C11H16O6","C11H18O6"))

我想计算在这个字符串中有多少如上所述的 CH2 差异。

现在有没有一种简单的方法可以做到这一点，尤其是对于非常大的字符串？

非常感谢。

【问题讨论】：

您是在比较每个字符串与每个其他字符串还是仅比较第 1 到第 2、第 2 到第 3 等？
我没有在 R 中编程，但是使用环境创建哈希查找的正则表达式将每个公式拆分为其元素和数字可能是最简单的方法。 regmatches(regexpr("C\d+H\d+", your_var_here, perl=TRUE), your_var_here) 之类的东西应该会给你 CxHy 组合
@thelatemail 我想将每个字符串与其他字符串进行比较。
你甚至可以以strsplit(as.character(DT$formula[1:3]), "(?<=[0-9])(?=[A-Z])|(?<=[A-Z])(?=[0-9])", perl=TRUE) 之类的方式作为起点，将所有数字和字符拆分为单独的块。
你的主干总是一样的，只是甲基化而不同，没有别的？例如，乙酰化是不可能的，对吧？

标签： r string sapply strsplit

【解决方案1】：

此解决方案使用 thelatemail 的建议作为拆分字符串的起点：

再现原始数据集（将stringsAsFactors设置为F）

DT <- data.frame(formula=c("C6H12O7S1","C6H10O8S1","C7H4O2N4","C8H12O5S1","C8H16O5S1",
                          "C8H12O3N2","C8H14O4S1","C9H7O3N1S1","C9H11O6N1S1","C9H9O6N1S1",
                          "C9H12O5S1","C9H18O5S1","C9H14O5","C9H20O5S1","C9H9O4N1S1",
                          "C9H9O5N1S1","C9H14O6","C10H11O5N1S1","C10H14O6","C10H16O6S1",
                          "C10H17O5N1","C10H20O7S1","C10H14O4","C10H12O7N2","C10H16O6",
                          "C10H14O6N2","C10H7O4N1S1","C10H18O6S1","C10H16O5","C10H13O6N1S1",
                          "C10H18O7S1","C11H18O6S1","C11H15O6N1","C11H22O7S1","C11H16O6S1","C11H16O6",
                          "C11H18O6"), stringsAsFactors = F) %>% arrange(formula)

> head(DT)
       formula
1 C10H11O5N1S1
2   C10H12O7N2
3 C10H13O6N1S1
4     C10H14O4
5     C10H14O6
6   C10H14O6N2

扩展列，使得每个元素都有一列来计数（不存在的被计为 0）

DT2 <- strsplit(DT$formula, "(?<=[0-9])(?=[A-Z])|(?<=[A-Z])(?=[0-9])", perl=TRUE) %>%
  lapply(function(x){structure(list(formula = rep(paste0(x, collapse = ""), length(x)/2),
                                    element = x[seq(from = 1, to = length(x), by = 2)],
                                    count = as.integer(x[seq(from = 2, to = length(x), by = 2)])),
                               .Names = c("formula", "element", "count"),
                               row.names = c(NA, -length(x)/2), 
                               class = "data.frame")}) %>%
  data.table::rbindlist() %>% 
  spread(element, count, fill = 0)

>head(DT2)
        formula  C  H N O S
1: C10H11O5N1S1 10 11 1 5 1
2:   C10H12O7N2 10 12 2 7 0
3: C10H13O6N1S1 10 13 1 6 1
4:     C10H14O4 10 14 0 4 0
5:     C10H14O6 10 14 0 6 0
6:   C10H14O6N2 10 14 2 6 0

获取所有可能的配对组合列表并扩展数据集

pairwise.combos <- combn(nrow(DT2), m = 2)

DT3 <- rbind(DT2[pairwise.combos[1,],],
             DT2[pairwise.combos[2,],])
DT3$pair <- rep(seq.int(dim(pairwise.combos)[2]),2)

> head(DT3)
        formula  C  H N O S pair
1: C10H11O5N1S1 10 11 1 5 1    1
2: C10H11O5N1S1 10 11 1 5 1    2
3: C10H11O5N1S1 10 11 1 5 1    3
4: C10H11O5N1S1 10 11 1 5 1    4
5: C10H11O5N1S1 10 11 1 5 1    5
6: C10H11O5N1S1 10 11 1 5 1    6

编辑最后一步，基于 OP 的说明，即一对公式应仅相差 CH2，而其他元素的计数应相同。

通过CH2检查每对是否不同（此步骤可以修改以检查其他差异）

DT4 <- DT3 %>% group_by(pair) %>%
  arrange(C, H) %>%
  summarise(CH2.diff = (diff(C) == 1) && (diff(H) == 2) && 
              (diff(N) == 0) & (diff(O) == 0) & (diff(S) == 0)) %>%
  ungroup() %>%
  filter(CH2.diff == 1) %>% select(pair)
DT4 <- right_join(DT3, DT4)

# total count of CH2 in pairwise comparisons
> length(unique(DT4$pair))
[1] 9

# check which pairs differ by CH2
> head(DT4)
       formula  C  H N O S pair
1 C10H11O5N1S1 10 11 1 5 1   35
2   C9H9O5N1S1  9  9 1 5 1   35
3 C10H13O6N1S1 10 13 1 6 1   96
4  C9H11O6N1S1  9 11 1 6 1   96
5     C10H14O6 10 14 0 6 0  149
6     C11H16O6 11 16 0 6 0  149

【讨论】：

感谢您的两个回答。太棒了，你让我开心！一个问题：当我的字符串向量很长（超过 1000 个）时，这个 pairwise.combos 是否会出现问题，或者这只是工作记忆的问题。
一件事：这段代码寻找 CH2 的差异，但甲基化我的意思是分子的其余部分必须保持不变，所以你的对 34 是错误的，因为它的氧比它的对少。第 35 对是正确的，第 36 对又多了一个氧气，但不正确。我只想计算那些仅在 CH2 上有所不同但在其他所有方面都相等的那些。我怎么能做到这一点？非常感谢。
@JmO 感谢您的澄清。我修改了解决方案的最后一部分以反映这一点。
非常感谢！

【解决方案2】：

试试这个。可能不是最有效的，但应该可以：

# extract only the second value, aka the number of carbons
DT$formula <- substr(DT$formula, 2, 2)

# counter for matches off by 1
counter <- 0

# for loop that counts all matches
for (i in 1:nrow(DT))
{
  for (j in 1:nrow(DT))
  {
      # if entries' values are off by 1
      if (i != j && ((DT[j, 1] + 1 == DT[i, 1]) || (DT[j, 1] - 1 == DT[i, 1])))
      {
          counter <- counter + 1
      }
   }
}

# so you don't count the pair twice
counter <- counter/2

【讨论】：