9

（我试过在BioStars上问这个问题，但是对于文本挖掘的人认为有更好的解决方案的可能性很小，我也在这里重新发布）

我要完成的任务是对齐几个序列。

我没有要匹配的基本模式。我所知道的是，“真”模式的长度应该是“30”，并且我在随机点引入了缺失值的序列。

这是此类序列的示例，在左侧我们看到缺失值的真实位置，在右侧我们看到我们将能够观察到的序列。

我的目标是仅使用我在右列中获得的序列来重建左列（基于每个位置的许多字母相同的事实）

                     Real_sequence           The_sequence_we_see
1   CGCAATACTAAC-AGCTGACTTACGCACCG CGCAATACTAACAGCTGACTTACGCACCG
2   CGCAATACTAGC-AGGTGACTTCC-CT-CG   CGCAATACTAGCAGGTGACTTCCCTCG
3   CGCAATGATCAC--GGTGGCTCCCGGTGCG  CGCAATGATCACGGTGGCTCCCGGTGCG
4   CGCAATACTAACCA-CTAACT--CGCTGCG   CGCAATACTAACCACTAACTCGCTGCG
5   CGCACGGGTAAGAACGTGA-TTACGCTCAG CGCACGGGTAAGAACGTGATTACGCTCAG
6   CGCTATACTAACAA-GTG-CTTAGGC-CTG   CGCTATACTAACAAGTGCTTAGGCCTG
7   CCCA-C-CTAA-ACGGTGACTTACGCTCCG   CCCACCTAAACGGTGACTTACGCTCCG

这是重现上述示例的示例代码：

ATCG <- c("A","T","C","G")
set.seed(40)
original.seq <- sample(ATCG, 30, T)
seqS <- matrix(original.seq,200,30, T)
change.letters <- function(x, number.of.changes = 15, letters.to.change.with = ATCG) 
{
    number.of.changes <- sample(seq_len(number.of.changes), 1)
    new.letters <- sample(letters.to.change.with , number.of.changes, T)
    where.to.change.the.letters <- sample(seq_along(x) , number.of.changes, F)
    x[where.to.change.the.letters] <- new.letters
    return(x)
}
change.letters(original.seq)
insert.missing.values <- function(x) change.letters(x, 3, "-") 
insert.missing.values(original.seq)

seqS2 <- t(apply(seqS, 1, change.letters))
seqS3 <- t(apply(seqS2, 1, insert.missing.values))

seqS4 <- apply(seqS3,1, function(x) {paste(x, collapse = "")})
require(stringr)
# library(help=stringr)
all.seqS <- str_replace(seqS4,"-" , "")

# how do we allign this?
data.frame(Real_sequence = seqS4, The_sequence_we_see = all.seqS)

我明白，如果我只有一个字符串和一个模式，我就可以使用

library(Biostrings)
pairwiseAlignment(...)

但是在我提出的情况下，我们正在处理许多序列以相互对齐（而不是将它们对齐到一个模式）。

在 R 中是否有已知的方法可以做到这一点？

4

4 回答 4

9

在 R 中编写对齐算法对我来说似乎是个坏主意，但是bio3d包中的MUSCLE算法有一个 R 接口（函数seqaln()）。请注意，您必须先安装此算法。

或者，您可以使用任何可用的算法（例如ClustalW、MAFFT、T-COFFEE ）并使用bioconductor功能在 R 中导入多序列对齐。参见例如这里。.

于 2010-12-21T10:44:53.130 回答
7

虽然这是一个相当古老的线程，但我不想错过提及的机会，从 Bioconductor 3.1 开始，有一个包 ' msa' 实现了三种不同的多序列比对算法的接口：ClustalW、ClustalOmega 和 MUSCLE。该软件包可在所有主要平台（Linux/Unix、Mac OS 和 Windows）上运行，并且在您无需安装任何外部软件的意义上是独立的。更多信息可以在http://www.bioinf.jku.at/software/msa/和http://www.bioconductor.org/packages/release/bioc/html/msa.html上找到。

于 2017-06-12T16:35:22.983 回答
3

您可以使用DECIPHER包在R中执行多重对齐。

按照您的示例，它看起来像：

library(DECIPHER)
dna <- DNAStringSet(all.seqS)
aligned_DNA <- AlignSeqs(dna)

它速度快，至少与此处列出的其他方法一样准确（参见论文）。我希望这会有所帮助！

于 2016-12-13T20:42:25.850 回答
0

您正在寻找针对多个序列的全局比对算法。你问之前看过维基百科吗？

首先了解什么是全局比对，然后寻找多序列比对。

维基百科没有提供很多关于算法的细节，但这篇论文更好。

于 2010-12-21T09:45:21.873 回答