将 FASTA 读入数据帧并提取 FASTA 文件的子序列答案

【问题标题】：Read FASTA into a dataframe and extract subsequences of FASTA file将 FASTA 读入数据帧并提取 FASTA 文件的子序列
【发布时间】：2014-01-21 16:23:32
【问题描述】：

我有一个小的 fasta DNA 序列文件，如下所示：

>NM_000016 700 200 234
ACATATTGGAGGCCGAAACAATGAGGCGTGATCAACTCAGTATATCAC

>NM_000775 700 124 236
CTAACCTCTCCCAGTGTGGAACCTCTATCTCATGAGAAAGCTGGGATGAG

>NM_003820 700 111 222
ATTTCCTCCTGCTGCCCGGGAGGTAACACCCTGGACCCCTGGAGTCTGCA

问题：

1) 我如何将这个 fasta 文件作为数据帧读入 R，其中每一行是一个序列记录，第一列是 refseqID，第二列是序列。

2）如何在（开始，结束）位置提取子序列？

NM_000016 1  3 #"ACA"
NM_000775 2  6 #"TAACC"
NM_003820 3  5 #"TTC"

【问题讨论】：

标签： r subset bioinformatics fasta

【解决方案1】：

你应该看看Biostrings 包。

library("Biostrings")

s = readDNAStringSet("nm.fasta")
subseq(s, start=c(1, 2, 3), end=c(3, 6, 5))

【讨论】：

这个函数会屏蔽重复。我们如何防止这种情况发生？
你能举个小例子吗？可能在support.bioconductor.org 上询问具体用例。
哦，谢谢 :) 我使用 Python 解决了这个问题。只是将它们视为字符串。我想删除那些有重复的序列。所以，我用 string.isupper() 来检查。
我对屏蔽有同样的疑问：DNAString("TATCAAATACTCAAGCACtaaggaaacaggaaaatct") 将返回 37-letter "DNAString" instance seq: TATCAAATACTCAAGCACTAAGGAAACAGGAAAATCT 为什么aaggaaacaggaaaatct 不保留小写字母？

【解决方案2】：

library("Biostrings")

fastaFile <- readDNAStringSet("my.fasta")
seq_name = names(fastaFile)
sequence = paste(fastaFile)
df <- data.frame(seq_name, sequence)

【讨论】：

你能解释一下你的答案吗

【解决方案3】：

受上面sgibb的回答启发，我对第一个问题的回答如下：

#read fasta file into R as a dataframe: 1st column as "RefSeqID", 2nd column as "seq"

library("Biostrings")
fasta2dataframe=function(fastaFile){
s = readDNAStringSet(fastaFile)
RefSeqID = names(s)
RefSeqID = sub(" .*", "", RefSeqID) 
#erase all characters after the first space: regular expression matches a space followed by any sequence of characters and sub replaces that with a string having zero  characters 

for (i in 1:length(s)){
seq[i]=toString(s[i])
}

RefSeqID_seq=data.frame(RefSeqID,seq)
return(RefSeqID_seq)
}

例子：

mydf = fasta2dataframe(myFastaFile.fasta)

【讨论】：