【问题标题】:How to perform basic Multiple Sequence Alignments in R?如何在 R 中执行基本的多序列比对?
【发布时间】:2011-05-28 17:15:18
【问题描述】:

(我已经尝试在BioStars 上提出这个问题,但是对于文本挖掘的人认为有更好的解决方案的可能性很小,我也在此处重新发布)

我要完成的任务是对齐几个序列。

我没有要匹配的基本模式。我所知道的是,“真”模式的长度应该是“30”,并且我在随机点向它们引入了缺失值的序列。

这是此类序列的一个示例,在左侧我们可以看到缺失值的真实位置,在右侧我们可以看到我们能够观察到的序列。

我的目标是仅使用我在右列中获得的序列来重建左列(基于每个位置的许多字母相同的事实)

                     Real_sequence           The_sequence_we_see
1   CGCAATACTAAC-AGCTGACTTACGCACCG CGCAATACTAACAGCTGACTTACGCACCG
2   CGCAATACTAGC-AGGTGACTTCC-CT-CG   CGCAATACTAGCAGGTGACTTCCCTCG
3   CGCAATGATCAC--GGTGGCTCCCGGTGCG  CGCAATGATCACGGTGGCTCCCGGTGCG
4   CGCAATACTAACCA-CTAACT--CGCTGCG   CGCAATACTAACCACTAACTCGCTGCG
5   CGCACGGGTAAGAACGTGA-TTACGCTCAG CGCACGGGTAAGAACGTGATTACGCTCAG
6   CGCTATACTAACAA-GTG-CTTAGGC-CTG   CGCTATACTAACAAGTGCTTAGGCCTG
7   CCCA-C-CTAA-ACGGTGACTTACGCTCCG   CCCACCTAAACGGTGACTTACGCTCCG

这里是重现上述示例的示例代码:

ATCG <- c("A","T","C","G")
set.seed(40)
original.seq <- sample(ATCG, 30, T)
seqS <- matrix(original.seq,200,30, T)
change.letters <- function(x, number.of.changes = 15, letters.to.change.with = ATCG) 
{
    number.of.changes <- sample(seq_len(number.of.changes), 1)
    new.letters <- sample(letters.to.change.with , number.of.changes, T)
    where.to.change.the.letters <- sample(seq_along(x) , number.of.changes, F)
    x[where.to.change.the.letters] <- new.letters
    return(x)
}
change.letters(original.seq)
insert.missing.values <- function(x) change.letters(x, 3, "-") 
insert.missing.values(original.seq)

seqS2 <- t(apply(seqS, 1, change.letters))
seqS3 <- t(apply(seqS2, 1, insert.missing.values))

seqS4 <- apply(seqS3,1, function(x) {paste(x, collapse = "")})
require(stringr)
# library(help=stringr)
all.seqS <- str_replace(seqS4,"-" , "")

# how do we allign this?
data.frame(Real_sequence = seqS4, The_sequence_we_see = all.seqS)

我明白,如果我只有一个字符串和一个模式,我就能使用

library(Biostrings)
pairwiseAlignment(...)

但在我介绍的情况下,我们正在处理许多序列以相互对齐(而不是将它们对齐到一种模式)。

在 R 中是否有已知的方法可以做到这一点?

【问题讨论】:

    标签: r alignment sequence bioinformatics text-alignment


    【解决方案1】:

    在 R 中编写对齐算法对我来说似乎是个坏主意,但在 bio3d 包(函数 seqaln())中有 MUSCLE 算法的 R 接口。请注意,您必须先安装此算法。

    或者,您可以使用任何可用的算法(例如ClustalW、MAFFT、T-COFFEE)并使用bioconductor 功能在R 中导入多序列对齐。 See eg here.。

    【讨论】:

    • 嗨乔里斯。我很高兴知道存在这样的界面(我无法从我执行的搜索中找到它)。我不确定“您必须先安装此算法”是什么意思。 (你是说包裹吗?)-但我想我很快就会知道的 :) 谢谢你的帮助 :) Tal
    • 它不是一个包,它是一个单独的可执行文件:drive5.com/muscle/downloads.htm
    • 正如本所说。 MUSCLE 是一种众所周知且性能良好的多重比对算法。因此,您必须先安装可执行文件,然后再使用 bio3d 包。寻找它有点奇怪,因为 bio3d 主要用于蛋白质建模。但 MUSCLE 也可以对齐多个 DNA 序列。
    • 请注意,为此有新的软件包,包括。 msa 可以处理 MUSCLE、CLUSTALW 和 CLUSTALOMEGA 算法。从好的方面来说,它不依赖于任何外部软件。
    【解决方案2】:

    虽然这是一个相当古老的线程,但我不想错过机会提及,从 Bioconductor 3.1 开始,有一个包“msa”实现了三种不同的多序列比对算法的接口:ClustalW、ClustalOmega ,和肌肉。该软件包可在所有主要平台(Linux/Unix、Mac OS 和 Windows)上运行,并且是自包含的,您无需安装任何外部软件。更多信息请访问http://www.bioinf.jku.at/software/msa/ 和http://www.bioconductor.org/packages/release/bioc/html/msa.html。

    【讨论】:

    • 感谢更新信息。我失去了接受的答案,但我不介意。无论如何,7 年后,这个答案早就该得到了。
    【解决方案3】:

    您可以使用 DECIPHER 包在 R 中执行多重对齐。

    按照您的示例,它看起来像:

    library(DECIPHER)
    dna <- DNAStringSet(all.seqS)
    aligned_DNA <- AlignSeqs(dna)
    

    它速度快,至少与此处列出的其他方法一样准确(请参阅paper)。希望对您有所帮助!

    【讨论】:

    • DECIPHER 不假定正在读取的数据是 FASTA 格式吗?当字符串是原始字符时,我没有看到任何示例
    【解决方案4】:

    您正在寻找针对多个序列的全局比对算法。 问之前你有没有看维基百科?

    先了解global alignment是什么,然后寻找multiple sequence alignment。

    维基百科没有提供很多关于算法的细节,但this paper 更好。

    【讨论】:

    • @Jules 这并没有告诉他如何在 R 中做到这一点。我相信向 Tal 发送一些他可以轻松搜索自己的链接并没有真正帮助他。并且可能早在他问这个问题之前就已经做到了。
    • 朱尔斯你好。感谢您的善意和演示文稿的链接。干杯,塔尔
    • @Joris 鉴于他提出问题的方式,Tal 似乎没有意识到这是一个标准的生物信息学问题,这就是为什么我认为有关该领域的一些背景知识可能会对他有所帮助。 ..但你是对的,我应该把它作为评论而不是作为答案发布。
    • @Jules:没有伤害的意思。你不可能知道 Tal 是一名生物统计学家,并且对 R 有相当深刻的了解,所以我的评论可能有点苛刻。
    • 你好朱尔斯。你是对的,因为这是我第一次尝试用 R 做这样的任务,因此我的查询。如前所述,建议您进行背景阅读很好。 Joris - 你和我都知道,很少有人对 R 有深刻的了解,就像我今天一样,我不会认为自己是其中之一。我仍然非常感谢你的情绪 :) 你的,Tal
    猜你喜欢
    • 1970-01-01
    • 1970-01-01
    • 1970-01-01
    • 1970-01-01
    • 1970-01-01
    • 1970-01-01
    • 2015-11-20
    • 1970-01-01
    • 1970-01-01
    相关资源
    最近更新 更多