【问题标题】:Alignment of multiple (non-biological, discrete state) sequences多个(非生物、离散状态)序列的比对
【发布时间】:2019-09-10 13:33:26
【问题描述】:

我有一些数据描述了一组有序的离散事件(或状态)。有 34 种可能的状态,它们可能以任何顺序出现并可能重复。每个事件序列可以包含任意数量的事件,关键是有超过 2 个事件序列。我的最终目标是将这些序列聚集成相似的子集,但我的预感是,除非这些序列对齐以使等效事件在所有序列中占据相同的位置,否则这将毫无意义。

我非常熟悉生物序列的多重比对,但我遇到的所有软件(MUSCLE、MAFFT、T-COFFEE、Clustal* 等)都需要 DNA、RNA 或 AA 序列,而我有比这些更多的状态,所以我无法让它们工作。

我发现了 pairwise 对齐算法的各种实现,例如 R 中的 Needleman-Wunsch,但到目前为止还没有遇到任何 的任何通用(非生物)实现多个序列比对算法。

例如,假设我的数据如下所示:

1: ABCDEFG
2: ACDGH
3: BDEFEGI
4: AH
5: DEGHI

我的目标是让它看起来像这样:

1: ABCDEF-G--
2: A-CD---GH-
3: -B-DEFE--I
4: A-------H-
5: ---DE--GHI

- 符号表示此序列中没有事件。这是一个简化的示例,实际上我正在寻找一种惩罚打开间隙 (-) 的方法,就像生物序列 MSA 算法一样。

我发现的唯一一个似乎可以做到这一点的软件是 Alphamalig (http://alggen.lsi.upc.es/recerca/align/alphamalig/intro-alphamalig.html),但它太旧了,我无法让它在我的机器上运行。理想情况下,我想要一些可以在 R 中实现的东西。

【问题讨论】:

  • 插入-使用什么逻辑?!

标签: r sequence-alignment


【解决方案1】:

我建议使用MAFFT sequence alignment。通常,这用于对齐生物序列,但它可以选择使用 --anysymbol 对齐文本。请注意,MAFFT 是一个 bash 脚本,需要输入/输出文件。

输入文件(mafft_anysymbol_input.txt):

>Seq1
ABCDEFG
>Seq2
ACDGH
>Seq3
BDEFEGI
>Seq4
AH
>Seq5
DEGHI

运行 bash 脚本的 R 代码:

#Be sure that input/output and R files share the same path, otherwise you'll have to specify the path in the mafft script call.
x <- 'mafft --anysymbol mafft_anysymbol_input.txt > mafft_anysymbol_output.txt'
system(x)

输出文件的内容(mafft_anysymbol_output.txt):

>Seq1
ABCDEFG--
>Seq2
-ACDGH---
>Seq3
--BDEFEGI
>Seq4
----AH---
>Seq5
---DEGHI-

编辑 - 我现在看到您熟悉生物比对工具。如果你想为你的文本对齐创建一个自定义的评分矩阵,请查看 mafft options --text and --textmatrix。它需要 ascii 代码输入(额外的数据类型转换),但您可以选择按分数关联相似的字母(但是您选择定义相似的)。例如,您可以关联大写和小写字母,或带/不带重音符号的字母。

【讨论】:

  • 绝对是一个面对面的时刻。是的,我非常熟悉生物比对工具,并且在发布这个问题之前,我使用他们的在线网络服务器尝试了我的数据。我在进入 MAFFT 之前就放弃了……尽管这通常是我实验室的首选工具。非常感谢您向我指出这一点。我真希望我在四天前就意识到这一点!
【解决方案2】:

假设我们需要匹配LETTERS,其中一个选项是str_match,那么将NA改为-,paste

library(stringr)
library(dplyr)
f1 <- Vectorize(function(x) str_match(x, LETTERS))
out1 <- f1(v1)
do.call(paste0, as.data.frame(t(replace_na(out1[!!rowSums(!is.na(out1)),], '-'))))
#[1] "ABCDEFG--" "A-CD--GH-" "-B-DEFG-I" "A------H-" "---DE-GHI"

拆分后用match也可以

lst <- strsplit(v1, "")
mx <- match(max(sapply(lst, tail, 1)), LETTERS)
sapply(lst, function(x) paste(replace_na(x[match(LETTERS[seq_len(mx)], 
           x)], '-'), collapse=""))

数据

v1 <- c("ABCDEFG", "ACDGH", "BDEFEGI", "AH", "DEGHI")

【讨论】:

  • 这很聪明,但我的问题显然措辞不是很好。每个序列中状态的顺序很重要,您的答案不会保留它们,而是将它们重新排序为字母顺序。我可以看到我的懒惰示例如何使这种误导。此外,目标不是插入所有可能的间隙以获得最大比对,而是以与生物序列比对器工作的相同方式达到某种最佳比对。这可能是一个更复杂的算法,在 R 中可能根本不存在。
  • @TJC 抱歉,我只查看示例/预期输出
猜你喜欢
  • 1970-01-01
  • 2021-07-01
  • 2011-05-19
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
  • 2011-06-26
  • 1970-01-01
  • 1970-01-01
相关资源
最近更新 更多