R：检测主题序列末尾的模式

Question

我尝试检测 DNA 序列末端的模式。但我需要处理模式可能超出序列末尾的情况。

例子

pattern  : AATTGGCC
subject1 : AAAAAAATTGGCCATGCACAA
subject2 : ATGGGTGTAGTAATTG

所以这里 subject2 的模式在序列的末尾 结果：

subject1 : AAAAAAATTGGCCATGCACAA
                AATTGGCC
  start : 6
  end   : 13 

subject2 : ATGGGTGTAGTAATTG
                      AATTGGCC
  start : 12
  end   : 16

我的最终目标是删除模式之后的所有内容（包括模式）。

我的第一个想法是使用 Biostrings 包中的 matchPattern 函数来检查模式。如果未检测到，则从右侧逐渐修剪模式并重新执行匹配模式，例如：

pattern <- "AATTGGCC" 
subject <- "ATGGGTGTAGTAATTG"
i <- nchar(pattern)
m <- matchPattern(pattern=pattern,subject)
while(length(m)==0 && i>0){
  i <- i-1
  p <- substring(pattern,1,i)
  m <- matchPattern(pattern=p,subject)
}

结果：

    start end width
[1]    12  16     5 [AATTG] 

但我需要做这十万个序列，也许这不是最优化的方式......

谢谢

编辑：

它现在应该可以工作了。如果主题序列中有多个模式，它会在第一个模式的位置切割序列

trimRead <- function(pattern,subject){
  require(Biostrings)
  i <- nchar(pattern)
  m <- matchPattern(pattern=pattern,subject)
  while(length(m)==0 && i>1){
    i <- i-1
    p <- substring(pattern,1,i)
    subject.sub <- substring(subject,first = nchar(subject)-nchar(p)+1) 
    m <- matchPattern(pattern=p,subject.sub)
  }
  if(length(m)>0){
    s <- nchar(subject)-nchar(subject(m)) + start(m)[1]
    return(substring(subject,first=1,last=(s-1)))
  }else{
    return(subject)
  }
}

Answer 1

尝试Biostrings::pairwiseAlignment，使用本地（Smith-Waterman）对齐：

require(Biostrings);
pattern <- "AATTGGCC";
subject <- "ATGGGTGTAGTAATTG";
m <- pairwiseAlignment(pattern = pattern, subject = subject, type = "local");
Views(m);
#  Views on a 16-letter BString subject
#subject: ATGGGTGTAGTAATTG
#views:
#    start end width
#[1]    12  16     5 [AATTG]

您也可以直接获取部分匹配的开始/结束位置（在subject 坐标中）：

start(subject(m));
#[1] 12
end(subject(m));
#[1] 16

无需手动修剪，这就是Smith-Waterman algorithm 的全部目的。