搜索
搜索

如何基于已知字符向量对数据帧下序列中的字符进行计数

scamander 发表于 Dev
45
骗子

我有以下数据框（dat）：

library(tidyverse)
dat <- structure(list( fasta_header = "sp|A0A0A0MT76|LJ01_HUMAN",
  sequence = "PSRLLLQPSPQRADPRCWPRGFWSEPQSLCYVFGTGTKVTVL",
  type = "human", seq_len = 42L), .Names = c( "fasta_header","sequence", "type", "seq_len"), row.names = c(NA, -1L), class = c("tbl_df","tbl", "data.frame"))
dat
#> # A tibble: 1 x 4
#>   fasta_header             sequence                          type  seq_len
#>   <chr>                    <chr>                             <chr>   <int>
#> 1 sp|A0A0A0MT76|LJ01_HUMAN PSRLLLQPSPQRADPRCWPRGFWSEPQSLCYV… human      42

我想要做的是计算sequence列中氨基酸的频率。必须根据以下已知氨基酸的载体进行计数

complete_aa <- c("A", "C", "D", "E", "F", "G", "H", "I", "K", "L", "M", "N", 
"P", "Q", "R", "S", "T", "V", "W", "Y")

complete_aa
#>  [1] "A" "C" "D" "E" "F" "G" "H" "I" "K" "L" "M" "N" "P" "Q" "R" "S" "T"
#> [18] "V" "W" "Y"

最终所需的结果是这样的：

               fasta_header                                   sequence aa aa_count
  sp|A0A0A0MT76|LJ01_HUMAN PSRLLLQPSPQRADPRCWPRGFWSEPQSLCYVFGTGTKVTVL  A        1
  sp|A0A0A0MT76|LJ01_HUMAN PSRLLLQPSPQRADPRCWPRGFWSEPQSLCYVFGTGTKVTVL  C        2
  sp|A0A0A0MT76|LJ01_HUMAN PSRLLLQPSPQRADPRCWPRGFWSEPQSLCYVFGTGTKVTVL  D        1
  sp|A0A0A0MT76|LJ01_HUMAN PSRLLLQPSPQRADPRCWPRGFWSEPQSLCYVFGTGTKVTVL  E        1
  sp|A0A0A0MT76|LJ01_HUMAN PSRLLLQPSPQRADPRCWPRGFWSEPQSLCYVFGTGTKVTVL  F        2
  sp|A0A0A0MT76|LJ01_HUMAN PSRLLLQPSPQRADPRCWPRGFWSEPQSLCYVFGTGTKVTVL  G        3
  sp|A0A0A0MT76|LJ01_HUMAN PSRLLLQPSPQRADPRCWPRGFWSEPQSLCYVFGTGTKVTVL  H        0
  sp|A0A0A0MT76|LJ01_HUMAN PSRLLLQPSPQRADPRCWPRGFWSEPQSLCYVFGTGTKVTVL  I        0
  sp|A0A0A0MT76|LJ01_HUMAN PSRLLLQPSPQRADPRCWPRGFWSEPQSLCYVFGTGTKVTVL  K        1
  sp|A0A0A0MT76|LJ01_HUMAN PSRLLLQPSPQRADPRCWPRGFWSEPQSLCYVFGTGTKVTVL  L        5
  sp|A0A0A0MT76|LJ01_HUMAN PSRLLLQPSPQRADPRCWPRGFWSEPQSLCYVFGTGTKVTVL  M        0
  sp|A0A0A0MT76|LJ01_HUMAN PSRLLLQPSPQRADPRCWPRGFWSEPQSLCYVFGTGTKVTVL  N        0
  sp|A0A0A0MT76|LJ01_HUMAN PSRLLLQPSPQRADPRCWPRGFWSEPQSLCYVFGTGTKVTVL  P        6
  sp|A0A0A0MT76|LJ01_HUMAN PSRLLLQPSPQRADPRCWPRGFWSEPQSLCYVFGTGTKVTVL  Q        3
  sp|A0A0A0MT76|LJ01_HUMAN PSRLLLQPSPQRADPRCWPRGFWSEPQSLCYVFGTGTKVTVL  R        4
  sp|A0A0A0MT76|LJ01_HUMAN PSRLLLQPSPQRADPRCWPRGFWSEPQSLCYVFGTGTKVTVL  S        4
  sp|A0A0A0MT76|LJ01_HUMAN PSRLLLQPSPQRADPRCWPRGFWSEPQSLCYVFGTGTKVTVL  T        3
  sp|A0A0A0MT76|LJ01_HUMAN PSRLLLQPSPQRADPRCWPRGFWSEPQSLCYVFGTGTKVTVL  V        3
  sp|A0A0A0MT76|LJ01_HUMAN PSRLLLQPSPQRADPRCWPRGFWSEPQSLCYVFGTGTKVTVL  W        2
  sp|A0A0A0MT76|LJ01_HUMAN PSRLLLQPSPQRADPRCWPRGFWSEPQSLCYVFGTGTKVTVL  Y        1

如何使用dplyr管道方法做到这一点？

我尝试了这个：

dat %>% 
  mutate(aa = map(sequence, ~ unlist(str_split(., "")))) %>% 
  unnest() %>% 
  group_by(fasta_header, sequence, aa) %>% # group
  summarise(aa_count = n()) %>% 
  as.data.frame()

但是它没有包括在内H, I, M, N。

更新：基于@akrun的答案。

我使用此新数据框架尝试了您的代码：

dat2 <- structure(list(fasta_header = c(">seq1", ">seq2"), sequence = c("MPSRGTRPE", 
"VSSKYTFWNF")), .Names = c("fasta_header", "sequence"), row.names = c(NA, 
-2L), class = c("tbl_df", "tbl", "data.frame"))

dat2
#>   fasta_header   sequence
#> 1        >seq1  MPSRGTRPE
#> 2        >seq2 VSSKYTFWNF

使用此代码：

complete_aa <- c("A", "C", "D", "E", "F", "G", "H", "I", "K", "L", "M", "N", 
"P", "Q", "R", "S", "T", "V", "W", "Y")


dat2 %>% 
   mutate(aa = list(complete_aa), aa_count = list(stringr::str_count(sequence, complete_aa))) %>%
   unnest %>% 
  print( n = 100)

但是它给出的行看起来像这样：

  fasta_header  sequence   aa    aa_count
18 >seq1        MPSRGTRPE  V            1

的计数V应为零。我该如何解决错误？

莫里斯·埃弗斯（Maurits Evers）

这是使用的解决方案Biostrings::letterFrequency：

library(Biostrings);
dat %>%
    mutate(
        aa = list(complete_aa),
        aa_count = list(letterFrequency(BString(sequence), letters = complete_aa))) %>%
    unnest() %>%
    select(-type, -seq_len);
## A tibble: 20 x 4
#   fasta_header             sequence                             aa    aa_count
#   <chr>                    <chr>                                <chr>    <int>
# 1 sp|A0A0A0MT76|LJ01_HUMAN PSRLLLQPSPQRADPRCWPRGFWSEPQSLCYVFGT… A            1
# 2 sp|A0A0A0MT76|LJ01_HUMAN PSRLLLQPSPQRADPRCWPRGFWSEPQSLCYVFGT… C            2
# 3 sp|A0A0A0MT76|LJ01_HUMAN PSRLLLQPSPQRADPRCWPRGFWSEPQSLCYVFGT… D            1
# 4 sp|A0A0A0MT76|LJ01_HUMAN PSRLLLQPSPQRADPRCWPRGFWSEPQSLCYVFGT… E            1
# 5 sp|A0A0A0MT76|LJ01_HUMAN PSRLLLQPSPQRADPRCWPRGFWSEPQSLCYVFGT… F            2
# 6 sp|A0A0A0MT76|LJ01_HUMAN PSRLLLQPSPQRADPRCWPRGFWSEPQSLCYVFGT… G            3
# 7 sp|A0A0A0MT76|LJ01_HUMAN PSRLLLQPSPQRADPRCWPRGFWSEPQSLCYVFGT… H            0
# 8 sp|A0A0A0MT76|LJ01_HUMAN PSRLLLQPSPQRADPRCWPRGFWSEPQSLCYVFGT… I            0
# 9 sp|A0A0A0MT76|LJ01_HUMAN PSRLLLQPSPQRADPRCWPRGFWSEPQSLCYVFGT… K            1
#10 sp|A0A0A0MT76|LJ01_HUMAN PSRLLLQPSPQRADPRCWPRGFWSEPQSLCYVFGT… L            5
#11 sp|A0A0A0MT76|LJ01_HUMAN PSRLLLQPSPQRADPRCWPRGFWSEPQSLCYVFGT… M            0
#12 sp|A0A0A0MT76|LJ01_HUMAN PSRLLLQPSPQRADPRCWPRGFWSEPQSLCYVFGT… N            0
#13 sp|A0A0A0MT76|LJ01_HUMAN PSRLLLQPSPQRADPRCWPRGFWSEPQSLCYVFGT… P            6
#14 sp|A0A0A0MT76|LJ01_HUMAN PSRLLLQPSPQRADPRCWPRGFWSEPQSLCYVFGT… Q            3
#15 sp|A0A0A0MT76|LJ01_HUMAN PSRLLLQPSPQRADPRCWPRGFWSEPQSLCYVFGT… R            4
#16 sp|A0A0A0MT76|LJ01_HUMAN PSRLLLQPSPQRADPRCWPRGFWSEPQSLCYVFGT… S            4
#17 sp|A0A0A0MT76|LJ01_HUMAN PSRLLLQPSPQRADPRCWPRGFWSEPQSLCYVFGT… T            3
#18 sp|A0A0A0MT76|LJ01_HUMAN PSRLLLQPSPQRADPRCWPRGFWSEPQSLCYVFGT… V            3
#19 sp|A0A0A0MT76|LJ01_HUMAN PSRLLLQPSPQRADPRCWPRGFWSEPQSLCYVFGT… W            2
#20 sp|A0A0A0MT76|LJ01_HUMAN PSRLLLQPSPQRADPRCWPRGFWSEPQSLCYVFGT… Y            1

Biostrings还提供了直接读取和解析fasta文件的方法，请参见?read.DNAStringSet。

更新资料

对于第二个示例，解决方案是：

dat2 %>%
    mutate(
        aa = list(complete_aa),
        aa_count = lapply(sequence, function(x) 
            letterFrequency(BString(x), letters = complete_aa))) %>%
    unnest()

这将产生长格式的数据。如果需要，请使用从长到宽进行重塑spread。

#   fasta_header   sequence aa aa_count
#1         >seq1  MPSRGTRPE  A        0
#2         >seq1  MPSRGTRPE  C        0
#3         >seq1  MPSRGTRPE  D        0
#4         >seq1  MPSRGTRPE  E        1
#5         >seq1  MPSRGTRPE  F        0
#6         >seq1  MPSRGTRPE  G        1
#7         >seq1  MPSRGTRPE  H        0
#8         >seq1  MPSRGTRPE  I        0
#9         >seq1  MPSRGTRPE  K        0
#10        >seq1  MPSRGTRPE  L        0
#11        >seq1  MPSRGTRPE  M        1
#12        >seq1  MPSRGTRPE  N        0
#13        >seq1  MPSRGTRPE  P        2
#14        >seq1  MPSRGTRPE  Q        0
#15        >seq1  MPSRGTRPE  R        2
#16        >seq1  MPSRGTRPE  S        1
#17        >seq1  MPSRGTRPE  T        1
#18        >seq1  MPSRGTRPE  V        0
#19        >seq1  MPSRGTRPE  W        0
#20        >seq1  MPSRGTRPE  Y        0
#21        >seq2 VSSKYTFWNF  A        0
#22        >seq2 VSSKYTFWNF  C        0
#23        >seq2 VSSKYTFWNF  D        0
#24        >seq2 VSSKYTFWNF  E        0
#25        >seq2 VSSKYTFWNF  F        2
#26        >seq2 VSSKYTFWNF  G        0
#27        >seq2 VSSKYTFWNF  H        0
#28        >seq2 VSSKYTFWNF  I        0
#29        >seq2 VSSKYTFWNF  K        1
#30        >seq2 VSSKYTFWNF  L        0
#31        >seq2 VSSKYTFWNF  M        0
#32        >seq2 VSSKYTFWNF  N        1
#33        >seq2 VSSKYTFWNF  P        0
#34        >seq2 VSSKYTFWNF  Q        0
#35        >seq2 VSSKYTFWNF  R        0
#36        >seq2 VSSKYTFWNF  S        2
#37        >seq2 VSSKYTFWNF  T        1
#38        >seq2 VSSKYTFWNF  V        1
#39        >seq2 VSSKYTFWNF  W        1
#40        >seq2 VSSKYTFWNF  Y        1

本文收集自互联网，转载请注明来源。

如有侵权，请联系 [email protected] 删除。

编辑于
0

我来说两句

0 条评论
登录 后参与评论

相关文章

基于字符向量对数据帧进行重新排序

如何通过数值向量和字符向量对数据帧进行排序

如何对数据字符串中的唯一值进行字符串计数

如何基于R中的条件对数据帧进行子集

如何基于R中的列对数据帧进行分类？

如何基于向量对数据帧进行子集化，然后在dplyr中进行分组

Spark：如何对数据帧中的字符串数组进行聚合操作

如何使用dplyr管道基于向量对数据帧的行进行排序

在没有for循环的两个条件下对数据帧中的事件进行计数

如何对数据帧行进行分组并针对字符串列表中的所有匹配项进行过滤？

在 R 中，如何根据向量中的值对数据帧的行进行子集

如何使用向量对数据帧列表进行子集

根据列中的序列中断对数据帧进行分组？

如何基于R中的预指定列对数据帧进行分组

如何对数据帧中的多个时间序列进行多次静态测试

如何对数据帧中的多个时间序列进行多次平稳测试

如何基于另一个数据帧中的值对数据帧进行子集设置？

如何基于基础R中的另一个数据帧对数据帧进行子集

Flutter-如何基于列表中的ID对数据进行计数

使用 dict 中的键/值对数据帧进行字符串搜索

如何对数据帧中的列向量使用循环？

Python：对数据框列内所有行中特定字符的实例进行计数

如何对数据帧中的几行执行“计数”？

字符向量到数据帧

在某些情况下使用计数方法对数据帧进行重新采样

如何基于列值拆分数据帧，对字符串值进行排序或分组依据？

基于多个字符串的部分匹配，在R数据帧中对行进行子集

如何在 R 中使用正则表达式对数据帧中的字符串进行索引和 gsub

如何基于列名的向量过滤R中的数据帧？

TOP 榜单

  1. 1

    构建类似于Jarvis的本地语言应用程序

  2. 2

    在 Avalonia 中是否有带有柱子的 TreeView 或类似的东西？

  3. 3

    Qt Creator Windows 10 - “使用 jom 而不是 nmake”不起作用

  4. 4

    SQL Server中的非确定性数据类型

  5. 5

    使用next.js时出现服务器错误，错误：找不到react-redux上下文值；请确保组件包装在<Provider>中

  6. 6

    Swift 2.1-对单个单元格使用UITableView

  7. 7

    Hashchange事件侦听器在将事件处理程序附加到事件之前进行侦听

  8. 8

    HttpClient中的角度变化检测

  9. 9

    如何了解DFT结果

  10. 10

    错误：找不到存根。请确保已调用spring-cloud-contract：convert

  11. 11

    Embers js中的更改侦听器上的组合框

  12. 12

    在Wagtail管理员中，如何禁用图像和文档的摘要项？

  13. 13

    如何避免每次重新编译所有文件？

  14. 14

    Java中的循环开关案例

  15. 15

    ng升级性能注意事项

  16. 16

    Swift中的指针替代品？

  17. 17

    如何使用geoChoroplethChart和dc.js在Mapchart的路径上添加标签或自定义值？

  18. 18

    使用分隔符将成对相邻的数组元素相互连接

  19. 19

    在同一Pushwoosh应用程序上Pushwoosh多个捆绑ID

  20. 20

    ggplot：对齐多个分面图-所有大小不同的分面

  21. 21

    完全禁用暂停（在内核级别？-必须与使用的DE和登录状态无关！）

热门标签

归档