[英]Finding all occurrences in a DNA sequence with R
我需要找到以“AAA”或“GAA”开头并以“AGT”结尾并且至少有 2 个其他三联体(1 个三联体)的给定样本的所有可能出现的 DNA 序列(无论是否重叠、部分重叠) = 3 个字母的组合)在开始和结束之间。
下面的代码只给出了一个由序列中最大数量的三元组组成的序列。 我想要从至少 2 个三元组开始的所有序列的结果。 我没有最大值的限制,所以它必须从 2 个三元组开始给出所有可能的组合。
任何人都可以帮助这部分吗?
library( stringr )
dna <- c("GAACCCACTAGTATAAAATTTGGGAGTCCCAAACCCTTTGGGAGT")
#set constants
start <- c("AAA", "GAA")
end <- "AGT"
#build regex
regex <- paste0( "(", paste0( start, collapse = "|" ), ")", paste0( "([A-Z]{3}){2,}" ), end )
str_extract_all( dna, regex )
我会使用这个正则表达式模式:
^[AG]AA[ACGT]{6,}AGT$
示例脚本:
sequences = c("GAACCCACTAGTATAAAATTTGGGAGTCCCAAACCCTTTGGGAGT", # a match
"CGACCCACTAGTATAAAATTTGGGAGTCCCAAACCCTTTGGGCCC") # not a match
matches <- sequences[grepl("^[AG]AA[ACGT]{6,}AGT$", sequences)]
matches
[1] "GAACCCACTAGTATAAAATTTGGGAGTCCCAAACCCTTTGGGAGT"
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.