代码之家 › 专栏 › 技术社区 › compbiostats

在R中生成随机序列

sequence r

1

compbiostats · 技术社区 · 8 年前

我希望生成一个随机的字母串(a,c,g,t)。我用下面几行R代码来实现这一点:

nucl <- letters[c(1, 3, 7, 20)] # generate letters

length.seqs <- 10

res <- sample(nucl, size = length.seqs, replace = TRUE) # sample with replacement to generate sequence

但是,我不希望在最后的序列中有字符串“taa”、“tag”和“tga”的连续运行。注意,这些子串中的字母顺序很重要。例如,子字符串“atg”在最后的序列中是可以的,但是“tag”不是可以的。

生成给定长度(length.seqs)的随机字符串而不使用子字符串“taa”、“tag”、“tga”的最简单方法是什么?

为了说明这一点,ATGTGCTTAG的序列将不正常,因为末尾有一个标记。不过,gtgcttat的序列是可以的。

有什么想法吗?

2 回复 | 直到 8 年前

1

0

jay.sf 8 年前

你可以用 grep() .

M1 <- M[- c(grep("taa", M), grep("tag", M), grep("tga", M))]

或者,稍微好一点

M1 <- M[- grep(paste(c("taa", "tag", "tga"), collapse="|"), M)]

结果

> head(M1)
[1] "ttctgggagg" "cgtccttacg" "ccatcttgtg" "aaacagacga" "gaattgcggg" "gaacttggga"

数据

set.seed(42)
nucl <- c("a", "c", "g", "t")
n <- 1e5
length.seqs <- 10
M <- replicate(n, paste0(sample(nucl, length.seqs, replace = TRUE), collapse=""))

2

0

Warren Weckesser 8 年前

这里有一个简单的函数来生成这样的序列。R大师可能会找到提高效率的方法。(函数假设 seqlen 至少是3。)

generate <- function(seqlen) {

    choices <- c('a', 'c', 'g', 't')
    choices.ta <- c('c', 't')
    choices.tg <- c('c', 'g', 't')

    vec <- vector("list", seqlen)
    vec[1:2] <- sample(choices, size=2, replace=TRUE)

    for (i in 3:seqlen) {
        if ((vec[i-2] == 't') && (vec[i-1] == 'a')) {
            vec[i] <- sample(choices.ta, size=1)
        }
        else if ((vec[i-2] == 't') && (vec[i-1] == 'g')) {
            vec[i] <- sample(choices.tg, size=1)
        }
        else {
            vec[i] <- sample(choices, size=1)
        }
    }

    # Collapse vec to a string.
    res <- paste(vec, collapse='')
    return(res)
}

例如,

> generate(10)
[1] "gtatcggcgg"
> generate(100)
[1] "aagcaactctaccgagattcatcttacgatggacggggtttccctacatcacttggggcactcgggctggcgcacatggatggcggtgcgtccaaattgc"
> generate(100)
[1] "tgtttcgcacctacaagcatttctatacttcgaatatatcaaaagagtgggcgtcctgcccgaccatcggccctcgtggctgggctttcactgcaaagga"