问题标签 [genetics]

我正在寻求帮助编写一个 R 循环来计算每个独特单倍型的香农信息内容 (SIC)。数据包括第 1 列中的单倍型和第 2 列中的单倍型频率。正如您在示例数据中看到的那样，只有 4 个独特的单倍型，每种单倍型的数量不同，频率对应于每个单倍型。所有单倍型 H* 的频率总和为 1。SIC 的方程为

Σi (πhi*log(1/(πhi)))

其中 πhi 是 hi 单倍型的频率

在本例中，H1 的 SIC 为

(π*0.8278*log(1/(π*0.8278))) + (π*0.02248*log(1/(π*0.02248))) + (π*0.1494*log(1/(π*0.1494)))

最终输出应给出 4 个 SIC 值，一个对应于每个独特的单倍型。

我相信使用lapply()是前进的正确方法，但我的 R 技能非常初级，不知道下一步该做什么。感谢您的任何帮助。

我有一组遗传 SNP 数据，如下所示：

矩阵的大小为 56 列 x 46482 行。我需要首先将矩阵按每 20 行进行一次分类，然后将前 8 列（创始人）中的每一列（创始人）与每列 9-56 进行比较，并将匹配字母/等位基因的总数除以总行数（20）。最终我需要 48 个 8 列 x 2342 行矩阵，它们本质上是相似矩阵。我试图通过以下方式分别提取每一对：

但这远非高效，而且我不知道将函数应用于每 20 行和多对的更快方法。

在上面给出的示例中，如果行全部相同，如跨 20 行所示，则 Sample1 矩阵的第一行将是：

我有一个包含 2000 个基因表达变量的数据集，其中包含 62 个观察值，并且希望通过回归类变量上的每个变量来获得 p 值（1 表示健康或 2 表示有肿瘤），并且想要回归每个类变量上的基因表达变量并以矩阵形式获得p值-我该怎么做？

我有一个 ID 向量，它描述了一个组的成员身份。每个 ID 在列表中只出现一次。

例子：

我还有一个表（3 列，74985 行，无标题），其中包含 V1 中的单个 ID（记录为数字），V2 中的组 ID。以及 V3 中该组的简短描述。

例子：

每个人可以属于多个组，每个组中可以有多个个人。在示例中，个人 1 在 group 中 GO:0003674, GO:0005576 and GO:0008150。

我想从表中提取并保留组 ID 与组 ID 向量匹配的每一行（即每个组）。第一个向量中的一些 ID 在表中没有匹配项。我尝试过使用合并功能，但没有成功，它似乎在一个组中多次包含同一个人。

给定 8 个样本 (A1-A8) 的以下数据：

每列是一个样本，每一行是一个标记，可能编码为 A、C、G、T，我希望计算每一行的 4 个等位基因中任何一个的起源的概率。例如，上面第 1 行数据的输出应该是

由于第 1 行中有 7 个样本具有 T，因此每个样本的概率为 1/7。由于只有 A8 拥有 C，因此将 C 分配给 A8 的概率为 100%。对于第 3 行，输出应为

总输出应该是 i 8x4 矩阵的列表，其中 i 等于行数。

一个可重做的代码示例是：

经过这一步，我不确定如何将每列的总计数相加并除以得到总概率。

我想在实施隐藏马尔可夫方法以根据 SNP 基因型数据分配祖先时寻求帮助。鉴于我有一个这样生成的转换矩阵：

发射矩阵是 n 个 8x4 矩阵的列表，其中 n 等于数据中 SNP/行的数量。例如，对于 3 个 SNP/行的 8 个样本 (A1-A8) 的以下数据：

列表中的矩阵 1 将是

由于第 1 行中有 7 个样本具有 T，因此每个样本的概率为 1/7。由于只有 A8 拥有 C，因此将 C 分配给 A8 的概率为 100%。对于第 3 行，输出应为

使用上述转换矩阵和发射矩阵列表，我希望在任何等位基因序列上实现维特比算法。我目前拥有的代码无法为每一行使用不同的发射矩阵

我想测试一堆形式的基因组位置：

我想看看它们是否位于 UTR 或内含子或外显子或基因间序列中。我不关心这些坐标在哪些基因的内含子（等）中的信息。

我假设每个已知的遗传元素（如外显子）都定义了基因组位置（每条染色体上基因组的起始位置）。我知道这对于外显子和内含子来说是正确的，例如 Ensembl 对基因组中的每个外显子都有 ID：请参见Mus muscululus 中 Amy1 基因的外显子和内含子的示例。我想用上面的位置列表查询此类位置的数据库，以及两者之间是否存在重叠（理想情况下，我应该能够指定重叠，例如，至少 10bp，但如果不是，我可以） ，我应该得到一个打击（是的，这个区域在外显子/内含子/）

缺点是我有几千个这样的位置，理想情况下希望一次性查询它们，并且作为输出有一个表格，每个位置都将被分配“内含子/外显子/utr/intergenic”。该生物是Mus musculus，位置来自整个基因组。

我现在无法提供我正在尝试做的代码示例，因为我不知道从哪里开始 - 如果我有一个包或任何可以构建的东西将帮助我找到解决方案。

如果我能在 R 中做到这将是完美的，但是我无法在 biomaRt 中做到这一点，而且我找不到一个包来做到这一点。我想到了 Galaxy，但考虑到他们不平凡的做法和他们产生的奇怪输出，我宁愿坚持 R。你知道的魔鬼等等。

帮助将不胜感激。

我有几个SNP ID（即 rs16828074、rs17232800 等），我想从UCSC 基因组网站获取它们在 Hg19 基因组中的坐标。

我宁愿使用R来实现这个目标。怎么做？

需要应用分支定界法来选择最佳模型。leaps()来自 jumps 包的效果很好，只有当数据没有NA值时，否则会引发错误：

仅使用complete.cases()不是一种选择，因为我丢失了 80% 的数据。

leap可以处理NAs的替代方法是什么？我正在编写自己的函数来做类似的事情，但它变得又大又笨重，我觉得我正在重新发明轮子......

更新： 我尝试过使用stepAIC()，面临同样的数据丢失问题：

假设我有一个 DNA 序列。我想得到它的补充。我使用了以下代码，但我没有得到它。我究竟做错了什么 ？