检查字符串向量是否包含由其他两个单词创建的单词答案

【问题标题】：Check if vector of strings contains words created from two others words检查字符串向量是否包含由其他两个单词创建的单词
【发布时间】：2019-04-09 05:34:18
【问题描述】：

我有非常长的字符串向量（肽）。

head(unique(pseq_list))
#[1] "GPPNHHMGPMSER"  "SLSGQCHHHGENLR" "HSSGQDKPHETYR"    
#"DHDKPHQQSDK"    "AHMESDK"        "HISESHEK"

我想检查这个向量中是否是由另外两个肽产生的肽。例如，如果有"AHMESDK"、"AHME" 和"SDK" 我想知道。我尝试了grepl 函数，但可能我的向量很长（？）。另外，如何保存这样的结果？

如果很难验证是否存在"AHMESDK" = "AHME" + "SDK"，那么至少知道向量中是否存在包含其他肽的肽（例如"HISESHEK" 和"SES"）。

@quant 在 cmets 中提供的上下文：

作为没有生物学背景的每个人的说明。

肽是大分子。我们的身体可以通过将不同的氨基酸“粘合”在一起来组成这些大分子。粘合在一起的氨基酸序列称为肽的一级结构，在生物信息学中，通常使用单字母代码（参见rpeptide.com）来表示一级结构。

所以AHMESDK简单来说就是由丙氨酸、组氨酸等组成的肽。

【问题讨论】：

您能否包括您已经尝试过的对grepl 的调用？不知道你在这里的意思。搜索AHMESDK 不意味着AHME 和SDK 连接在一起吗？
请提供可重现的示例和预期输出。不是很清楚。

标签： r regex vector bioinformatics

【解决方案1】：

数据：

pseq<-c("GPPNHHMGPMSER", "SLSGQCHHHGENLR", "HSSGQDKPHETYR", "DHDKPHQQSDK", "AHMESDK", "AHME", "SES", "HISESHEK")

两种方法：

方法一：

peplist<-sapply(pseq,grep, pseq, value=TRUE)

结果：

$GPPNHHMGPMSER
[1] "GPPNHHMGPMSER"

$SLSGQCHHHGENLR
[1] "SLSGQCHHHGENLR"

$HSSGQDKPHETYR
[1] "HSSGQDKPHETYR"

$DHDKPHQQSDK
[1] "DHDKPHQQSDK"

$AHMESDK
[1] "AHMESDK"

$AHME
[1] "AHMESDK" "AHME"   

$SES
[1] "SES"      "HISESHEK"

$HISESHEK
[1] "HISESHEK"

这为您提供了一个列表，其中对于每个元素，您都可以获得它存在的元素列表。然后我们可以创建一个仅包含出现在其他 peptid 中的那些 peptid 的列表：

peplist[sapply(peplist,length)>1]

方法2：

pepcombs<-expand.grid(pseq,pseq) %>%
  apply(1,paste0,collapse="")
pseq[pseq %in% pepcombs]

这将为您提供可以通过组合其他两个肽来构建的肽列表。

【讨论】：

方法 1 效果很好，谢谢！方法 2 对我来说非常好，但我尝试将它用于向量 6000+ 长度，它计算的有点长，我不确定是否适合 1kk+ 长度的向量。我想方法 2 不能做得更快，对吧？
对于方法二，问题可能是内存储备。您可以通过将 pepcomb 分解为许多较小的向量，然后循环它们来解决它。