多个部分匹配的 DNA 序列的计数

Question

我有一个部分匹配的 DNA 序列数据集，我想为部分匹配的序列分配不同的数字索引。

IE：

sequences <- c("AAAAAAAAAAAAAAA",
               "AAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAA",
               "AAAAAAAAAAAAAAAAAAAAAAAAAAAACCC",
               "AAAAAAAAAAAAAAAAAAAAAAAAACC",
               "CATTTTCAG", 
               "CATTTTCAGTCAAAATTT", 
               "CATG", 
               "CATGG", 
               "CATGGGTT", 
               "GATC")

第一个在第 2、第 3 和第 4 个重复出现，它们都应该得到值 1，第 5 个在第 6 个重复出现，它们都应该得到 2，第 7 个在第 8 个和第 9 个重复出现，并且都应该得到一个 3，第 10 个不会重复出现，应该得到 4 作为索引。 当然，这只是一个示例，有时数据集可能包含 >3000 行。

我尝试了几种解决方案，包括 grepl 和 str_count。 最新的尝试之一是首先创建一个字典来存储所有序列和索引，创建一个前缀列表，然后迭代前缀以分配索引。 然而，结果并不是我所期望的，因为所有序列的索引都是 1。

# Create a dictionary to store the sequences and their indices
indices <- as.list(1:length(sequences))
names(indices) <- sequences

# Create a function that returns the first 7 characters of a sequence
get_prefix <- function(seq) {
  return(substring(seq, 1, 7))
}

# Create a list of unique prefixes
prefixes <- unique(sapply(sequences, get_prefix))

# Iterate over the prefixes and assign the same index to all sequences that start with the same prefix
for (i in 1:length(prefixes)) {
  prefix <- prefixes[i]
  seqs <- sequences[sapply(sequences, get_prefix) == prefix]
  indices[seqs] <- which.min(indices[seqs])
}

# Print the final indices
print(indices)

欢迎任何帮助！ 谢谢！

Answer 1

这个问题与使用关系数据进行分组有关。 您可以使用grep + igraph这样做：

library(igraph)
sapply(sequences, grep, sequences, value = TRUE) |>
  stack() |>
  graph.data.frame() |>
  clusters() |>
  getElement("membership") |>
  stack()

   values                                ind
1       1                    AAAAAAAAAAAAAAA
2       1 AAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAA
3       1    AAAAAAAAAAAAAAAAAAAAAAAAAAAACCC
4       1        AAAAAAAAAAAAAAAAAAAAAAAAACC
5       2                          CATTTTCAG
6       2                 CATTTTCAGTCAAAATTT
7       3                               CATG
8       3                              CATGG
9       3                           CATGGGTT
10      4                               GATC