查看字符串是否嵌入在较大的字符串中

Question

我有使用R看起来像这样的数据。

> hits
  Views on a 51-letter DNAString subject
subject: TCAGAAACAAAACCCAAAATCAGTAAGGAGGAGAAAGAAACCTAGGGAGAA
views:
    start end width
[1]     1  10    10 [TCAGAAACAA]
[2]    14  23    10 [CCAAAATCAG]
[3]    19  28    10 [ATCAGTAAGG]
[4]    20  29    10 [TCAGTAAGGA]
[5]    21  30    10 [CAGTAAGGAG]

所以我有一个长度为51的字符串

subject = TCAGAAACAAAACCCAAAATCAGTAAGGAGGAGAAAGAAACCTAGGGAGAA 。

从该subject中提取了5个子字符串。 您可以在上方看到它们。 我想看看这5个子字符串是否在我感兴趣的范围内 。 感兴趣的领域是从位置14 - 27 。

subject = TCAGAAACAAAAC |-> CCAAAATCAGTAAG <-| GAGGAGAAAGAAACCTAGGGAGAA subject = TCAGAAACAAAAC |-> CCAAAATCAGTAAG <-| GAGGAGAAAGAAACCTAGGGAGAA 。

换句话说，我有5个来自subject字符串的子字符串。 在这些5串，我只寻找一个谎言位置之间串14 - 27中的subject字符串。 这是我感兴趣的领域。

第一个[1]子字符串[TCAGAAACAA]并不是那么重要，因为它直接嵌入在开始位置（由坐标1 - 10给出），并且不在我感兴趣的范围内。

第二[2]通过坐标给定的字符串14 - 23告诉我，它在全部埋入我的兴趣领域 （这又是14 - 27 ）。

第三[3]字符串[3]由坐标19 - 28给出。 这对我很重要 ，因为大多数字符串都嵌入到我感兴趣的区域中 。

第四个[4]字符串由坐标20 - 29 。 同样，这对我来说很重要，因为除了最后一个字符外，大多数字符串都嵌入在我感兴趣的区域中 。

第五个子字符串的故事也是如此。

基本上，如果60％的字符串嵌入在我感兴趣的区域中，我希望将其计算在内。

有人可以给我一个伪代码算法来做到这一点吗？ 我已经考虑了一段时间绘制图表，但是我似乎无法实现它。 我正在R中执行此操作，因此我会将伪代码转换为R。而且数字60％是任意的。 我必须与我的主管确认，但是我确定这是无关紧要的。

Answer 1

def substring_index(longstring, substring):
    """Return the index of the substring in longstring."""
    # Python has a built in function for this.

def is_interesting(index, length, interesting_start, interesting_end, percentage):
    """Return true if the substring is interesting."""
    interesting = 0
    uninteresting = 0
    # check if the character at each position from index to index + length
    # is in the interesting range.
    for x in range(index, index + length + 1):
        if interesting_start < x < interesting_end:
            interesting += 1
        else:
            uninteresting += 1
    # Do some math to see if interesting / (interesting + uninteresting) 
    # is bigger than percentage

使用substring_index函数查看索引是否在长substring_index以及在哪里。

使用is_interesting函数可根据子字符串是否有趣返回布尔值。

因此，对于第一个子字符串，您可以这样称呼它：

longstring = "TCAGAAACAAAACCCAAAATCAGTAAGGAGGAGAAAGAAACCTAGGGAGAA"
substring = "TCAGAAACAA"
is_interesting(substring_index(longstring, substring), len(substring), 14, 27, 0.6)

Answer 2

如果我理解得很好，您需要

1. 定义一个由开始位置和结束位置给出的“感兴趣区域”。
2. 在较大的字符串感兴趣的区域中找到字符串或字符串的可接受部分。

所以这就是我在javascript中要做的

var fractionIsInString = function (areaOfInterest, stringToBeFound, acceptedFraction) {
    var fractionLength = Math.floor(stringToBeFound.length*acceptedFraction),
        startPosition = 0,
        endPosition = fractionLength,          
        fraction,
        keepSearching = true;

    do {
        fraction = stringToBeFound.substring(startPosition, endPosition);
        if (areaOfInterest.indexOf(fraction) > -1) {
            return true;
        }
        startPosition++;
        endPosition++;
        keepSearching = endPosition < stringToBeFound.length;
    } while (keepSearching);

    return false;
};

只需说一下

fractionIsInString('CCAAAATCAGTAAG', 'TCAGAAACAA', 0.6);

第一个参数是您感兴趣的领域，可以像这样获得

subject.substring(14, 27);

第二个参数是您从主题中获得的字符串中的第一个。 一个从0到10的值。第三个参数是要查找的第二个参数的一部分。 在这种情况下为60％。

该函数的工作方式是在较大的字符串中查找字符串的分数，如果未找到分数，则移至字符串的下一个分数，依此类推，直到找到可找到的分数或达到分数为止。字符串的结尾。