序列识别，计数和检索序列的一部分

Question

我不认为我想要做的真的很难，但是我缺乏做这些事情的适当的R知识。所以帮助是真正的赞赏！

我有含蛋白质的名称和序列的文件，所以这样的事情：

Protein1 ABCDEFGHIJKLMNOPQRSTUWXYZ 
Protein2 ABCDEFGHIJKUVMNOPQRSTUVWXYZ 
Protein3 ABCUVDEFGHIJKLMNOPQRSTVVW 

我在寻找包含模式'UU'，'UV'或'VV'蛋白质。我这样做，使用：

（编辑：这是一个简单的例子，目前我看着三胞胎（ “[UV] [紫外线] [UV]”））

y <- x[grep("[UV][UV]", x[,2]),] 

所以现在我知道哪些人有这种模式，但我想要更多。首先，我想知道这种模式在这个序列中出现的频率，但我目前无法知道如何做到这一点。所以这是第1个问题。

问题2： 我想提取前面的模式+部分序列。 到目前为止，我已经使用：

pattern <- "[A-Z]{5}[UV][UV]" 
locs <- regexpr(pattern, y[,2]) 
z <- substr(y[,2], locs, locs+attr(locs,"match.length")-1) 

这并不工作，但仅限于一个帐户的模式，它不包括在该模式出现的所有情况。

我想什么直到结束是包含该信息的内容：

Protein name, 
number of patterns found in the sequence, 
pattern + part of the desired sequence in front 

在我的例子，结果会是这样的：

Protein1 
0 

Protein2 
2 
GHIJKUV 
PQRSTUV 

Protein3 
2 
ABCUV #don't know about this one, since the sequence in front is shorter than 5. For me it would be best if these would not appear. 
PQRSTVV 

编辑：到底我希望将数据矩阵保存到文本文件中，以便我可以与其他人共享。然后最好，我想用这样的事情结束了：

ProteinName Count Sequence1 Sequence2 Sequence3 SequenceMax 
Protein1 0 
Protein2 2  GHIJKUV PQRSTUV 

Answer 1

对于比赛的数字：

> sapply(strsplit(dat[[2]], "UU|UV"), length) -1 
[1] 0 2 1 

要隔离序列，请检查其结果也不尽相同数量的字符作为输入：

> sub("(.+)(.{5}UU|.{5}UV)(.+)", "\\2", dat[[2]]) 
[1] "ABCDEFGHIJKLMNOPQRSTUWXYZ" "PQRSTUV"     "ABCUVDEFGHIJKLMNOPQRSTVVW" 

绑定在一起它们：

> apply(dat, 1, function(x) list(count=sapply(strsplit(x[2], "UU|UV"), length) -1 , matches= { mat <- gsub("(.+)(.{5}UU|.{5}UV)(.+)", "\\2", x[2]); if(!nchar(mat) ==nchar(x[2])) {mat}else{""} })) 
[[1]] 
[[1]]$count 
V2 
0 

[[1]]$matches 
[1] "" 


[[2]] 
[[2]]$count 
V2 
2 

[[2]]$matches 
     V2 
"PQRSTUV" 


[[3]] 
[[3]]$count 
V2 
1 

[[3]]$matches 
[1] "" 

Answer 2

我假设你的序列是在列表中

ll <- list('Protein1 ABCDEFGHIJKLMNOPQRSTUWXYZ', 
'Protein2 ABCDEFGHIJKUVMNOPQRSTUVWXYZ', 
'Protein3 ABCUVDEFGHIJKLMNOPQRSTVVW') 

这工作：

sapply(ll, function(x) 
       regmatches(x,gregexpr('[A-Z]{5}UU|[A-Z]{5}UV|[A-Z]{5}VV', x))) 


[[1]] 
character(0) 

[[2]] 
[1] "GHIJKUV" "PQRSTUV" 

[[3]] 
[1] "PQRSTVV" 

编辑：匹配的U任意组合和V

pattern <- '[A-Z]{5}(U|V)(V|U)+' ## match pattern begin with U or V 
            ## followed by at least one U or V 

例如任何长度，我修改您的数据以插入更长的图案

ll <- list('Protein1 ABCDEFGHIJKLMNOPQRSTUVWXYZ', 
      'Protein2 ABCDEFGHIJKUVMNOPQRSTUUVWXYZ', 
      'Protein3 ABCUVDEFGHIJUVVKLMNOPQRSTVUUUW') 

sapply(ll, function(x) regmatches(x,gregexpr(pattern, x))) 

[[1]] 
[1] "PQRSTUV" 

[[2]] 
[1] "GHIJKUV" "PQRSTUUV" 

[[3]] 
[1] "FGHIJUVV" "PQRSTVUUU"