如何在R中对文本字符串（utf8）进行多序列对齐

Question

给定三个字符串：

seq <- c("abcd", "bcde", "cdef", "af", "cdghi")

我想做多序列比对，以便得到以下结果：

abcd
 bcde
  cdef
a    f
  cd  ghi

使用我尝试过的 msa 包中的 msa() 函数：

msa(seq, type = "protein", order = "input", method = "Muscle")

并得到以下结果：

    aln     names
 [1] ABCD--- Seq1
 [2] -BCDE-- Seq2
 [3] --CD-EF Seq3
 [4] -----AF Seq4
 [5] --CDGHI Seq5
 Con --CD-?? Consensus   

我想将此函数用于可以包含任何 unicode 字符的序列，但在此示例中，该函数已经给出警告：找到无效字母。 有任何想法吗？

Answer 1

这是输出表格的基本 R 中的解决方案：

seq <- c("abcd", "bcde", "cdef", "af", "cdghi")

all_chars <- unique(unlist(strsplit(seq, "")))

tab <- t(apply(do.call(rbind, lapply(strsplit(seq, ""), 
       function(x) table(factor(x, all_chars)))), 1,
       function(x) ifelse(x == 1, all_chars, " ")))

我们可以打印不带引号的输出以更清楚地看到它：

print(tab, quote = FALSE)
#>      a b c d e f g h i
#> [1,] a b c d          
#> [2,]   b c d e        
#> [3,]     c d e f      
#> [4,] a         f      
#> [5,]     c d     g h i

^{由reprex 包于 2022-05-25 创建 (v2.0.1)}

Answer 2

一个解决方案是使用 LingPy。 首先按照http://lingpy.org/tutorial/installation.html的说明安装 LingPy。 然后运行：

library(reticulate)

builtins <- import_builtins()
lingpy   <- import("lingpy")

seqs <- c("mɪlk","mɔˑlkə","mɛˑlək","mɪlɪx","mɑˑlʲk")

multi <- lingpy$Multiple(seqs)
multi$prog_align()
builtins$print(multi)

输出：

m   ɪ   l   -   k   -
m   ɔˑ  l   -   k   ə
m   ɛˑ  l   ə   k   -
m   ɪ   l   ɪ   x   -
m   ɑˑ  lʲ  -   k   -