使用 R 查找 DNA 序列中的所有出现

Question

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 )

Answer 1

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"