13

我正在寻找一种更快的方法来计算从 FASTA 文件中读取的 DNA 字符串的 GC 内容。这归结为获取一个字符串并计算字母“G”或“C”出现的次数。我还想指定要考虑的字符范围。

我有一个相当慢的工作函数，它导致我的代码出现瓶颈。它看起来像这样：

##
## count the number of GCs in the characters between start and stop
##
gcCount <-  function(line, st, sp){
  chars = strsplit(as.character(line),"")[[1]]
  numGC = 0
  for(j in st:sp){
    ##nested ifs faster than an OR (|) construction
    if(chars[[j]] == "g"){
      numGC <- numGC + 1
    }else if(chars[[j]] == "G"){
      numGC <- numGC + 1
    }else if(chars[[j]] == "c"){
      numGC <- numGC + 1
    }else if(chars[[j]] == "C"){
      numGC <- numGC + 1
    }
  }
  return(numGC)
}

运行 Rprof 给我以下输出：

> a = "GCCCAAAATTTTCCGGatttaagcagacataaattcgagg"
> Rprof(filename="Rprof.out")
> for(i in 1:500000){gcCount(a,1,40)};
> Rprof(NULL)
> summaryRprof(filename="Rprof.out")

                   self.time self.pct total.time total.pct
"gcCount"          77.36     76.8     100.74     100.0
"=="               18.30     18.2      18.30      18.2
"strsplit"          3.58      3.6       3.64       3.6
"+"                 1.14      1.1       1.14       1.1
":"                 0.30      0.3       0.30       0.3
"as.logical"        0.04      0.0       0.04       0.0
"as.character"      0.02      0.0       0.02       0.0

$by.total
               total.time total.pct self.time self.pct
"gcCount"          100.74     100.0     77.36     76.8
"=="                18.30      18.2     18.30     18.2
"strsplit"           3.64       3.6      3.58      3.6
"+"                  1.14       1.1      1.14      1.1
":"                  0.30       0.3      0.30      0.3
"as.logical"         0.04       0.0      0.04      0.0
"as.character"       0.02       0.0      0.02      0.0

$sampling.time
[1] 100.74

有什么建议可以让这段代码更快吗？

4

6 回答 6

14

最好不要分裂，只计算比赛：

gcCount2 <-  function(line, st, sp){
  sum(gregexpr('[GCgc]', substr(line, st, sp))[[1]] > 0)
}

这要快一个数量级。

一个只迭代字符的小 C 函数会快另一个数量级。

于 2010-03-15T18:20:40.160 回答
6

一个班轮：

table(strsplit(toupper(a), '')[[1]])
于 2010-03-15T17:37:32.003 回答
4

我不知道它是否更快，但您可能想查看 R 包 seqinR - http://pbil.univ-lyon1.fr/software/seqinr/home.php?lang=eng。它是一个优秀的通用生物信息学软件包，具有多种序列分析方法。它在 CRAN 中（在我写这篇文章时它似乎已经关闭了）。

GC内容将是：

mysequence <- s2c("agtctggggggccccttttaagtagatagatagctagtcgta")
    GC(mysequence)  # 0.4761905

那来自一个字符串，您也可以使用“read.fasta()”读入一个 fasta 文件。

于 2010-03-16T08:13:35.613 回答
3

这里不需要使用循环。

试试这个：

gcCount <-  function(line, st, sp){
  chars = strsplit(as.character(line),"")[[1]][st:sp]
  length(which(tolower(chars) == "g" | tolower(chars) == "c"))
}
于 2010-03-15T17:34:54.353 回答
3

stringi从包中尝试此功能

> stri_count_fixed("GCCCAAAATTTTCCGG",c("G","C"))
[1] 3 5

或者您可以使用正则表达式版本来计算 g 和 G

> stri_count_regex("GCCCAAAATTTTCCGGggcc",c("G|g|C|c"))
[1] 12

或者您可以先使用 tolower 函数，然后再使用 stri_count

> stri_trans_tolower("GCCCAAAATTTTCCGGggcc")
[1] "gcccaaaattttccggggcc"

时间表现

    > microbenchmark(gcCount(x,1,40),gcCount2(x,1,40), stri_count_regex(x,c("[GgCc]")))
Unit: microseconds
                             expr     min     lq  median      uq     max neval
                gcCount(x, 1, 40) 109.568 112.42 113.771 116.473 146.492   100
               gcCount2(x, 1, 40)  15.010  16.51  18.312  19.213  40.826   100
 stri_count_regex(x, c("[GgCc]"))  15.610  16.51  18.912  20.112  61.239   100

更长字符串的另一个示例。stri_dup 复制字符串 n 次

> stri_dup("abc",3)
[1] "abcabcabc"

如您所见，对于更长的序列 stri_count 更快:)

> y <- stri_dup("GCCCAAAATTTTCCGGatttaagcagacataaattcgagg",100)
    > microbenchmark(gcCount(y,1,40*100),gcCount2(y,1,40*100), stri_count_regex(y,c("[GgCc]")))
    Unit: microseconds
                                 expr       min         lq     median        uq       max neval
              gcCount(y, 1, 40 * 100) 10367.880 10597.5235 10744.4655 11655.685 12523.828   100
             gcCount2(y, 1, 40 * 100)   360.225   369.5315   383.6400   399.100   438.274   100
     stri_count_regex(y, c("[GgCc]"))   131.483   137.9370   151.8955   176.511   221.839   100
于 2014-03-14T10:13:13.560 回答
0

感谢大家的这篇文章，

为了优化我想要计算 200bp 的 100M 序列的 GC 内容的脚本，我最终测试了这里提出的不同方法。Ken Williams 的方法表现最好（2.5 小时），优于 seqinr（3.6 小时）。使用 stringr str_count 减少到 1.5 小时。

最后我用 C++ 编写并使用 Rcpp 调用它，这将计算时间缩短到 10 分钟！

这是 C++ 代码：

#include <Rcpp.h>
using namespace Rcpp;
// [[Rcpp::export]]
float pGC_cpp(std::string s) {
  int count = 0;

  for (int i = 0; i < s.size(); i++) 
    if (s[i] == 'G') count++;
    else if (s[i] == 'C') count++;

  float pGC = (float)count / s.size();
  pGC = pGC * 100;
  return pGC;
}

我从 R 中调用：

sourceCpp("pGC_cpp.cpp")
pGC_cpp("ATGCCC")
于 2017-10-16T20:01:47.653 回答