获取具有模糊碱基 R 的 DNA 序列的所有可能排列答案

【问题标题】：Get all possible permutations of a DNA sequence with an ambiguous base R获取具有模糊碱基 R 的 DNA 序列的所有可能排列
【发布时间】：2019-01-18 11:09:36
【问题描述】：

假设我有一个 DNA 序列，其碱基不明确，N，其中 N 可以代表任何碱基（它是一个弹性位置）。

dna.seq <- 'ATGCN'

我想要一个包含所有可能代表的 DNA 序列的向量。它看起来像：

c('ATGCA','ATGCT','ATGCG','ATGCC')

该解决方案还需要考虑具有多个 N 字符的 dna 序列，这将产生更多潜在的 DNA 序列。

【问题讨论】：

标签： r bioinformatics bioconductor

【解决方案1】：

来自data.table的CJ可以在这里为您提供帮助：

library(data.table)
dna.seq <- 'ATGCN'

# split into components
l = tstrsplit(dna.seq, '', fixed = TRUE)

# replace N with all possibilities
all_bases = c('A', 'T', 'C', 'G')
l = lapply(l, function(x) if (x == 'N') all_bases else x)

# use CJ and reduce to strings:
Reduce(paste0, do.call(CJ, l))
# [1] "ATGCA" "ATGCC" "ATGCG" "ATGCT"

灵活处理多个N：

dna.seq <- 'ATNCN'
Reduce(paste0, do.call(CJ, l))
#  [1] "ATACA" "ATACC" "ATACG" "ATACT" "ATCCA" "ATCCC" "ATCCG" "ATCCT"
#  [9] "ATGCA" "ATGCC" "ATGCG" "ATGCT" "ATTCA" "ATTCC" "ATTCG" "ATTCT"

如果您想删除 data.table 依赖项，您可以将 tstrsplit 替换为 t(strsplit()) 并将 CJ 替换为 expand.grid；你只会牺牲计算速度。

【讨论】：

【解决方案2】：

dna.seq <- 'ATNGCN'
dna.seq.copy = dna.seq
while(grepl("N", dna.seq.copy[1])){
    dna.seq.copy = as.vector(sapply(c("A", "C", "T", "G"), function(x) sub("N", x, dna.seq.copy)))
}
dna.seq.copy
# [1] "ATAGCA" "ATCGCA" "ATTGCA" "ATGGCA" "ATAGCC" "ATCGCC" "ATTGCC" "ATGGCC" "ATAGCT" "ATCGCT" "ATTGCT" "ATGGCT" "ATAGCG" "ATCGCG" "ATTGCG"
#[16] "ATGGCG"

【讨论】：