成对序列分析 - 寻找独特组合的索引答案

【问题标题】：Pairwise sequence analysis - finding indexes of unique combinations成对序列分析 - 寻找独特组合的索引
【发布时间】：2020-02-11 04:34:09
【问题描述】：

我有一个很大的 DNA 序列列表 {A,C,T,G}（总共 100,000 个列表，每个列表有 3000 个字符）。我需要成对分析这些列表，从第一个列表开始，然后将其与第二个、第三个、第四个、...、第 100,000 个进行比较。然后移动到第 2 个列表并将其与第 3 个、第 4 个、...、第 100,000 个等进行比较。

在每个成对比较中，我需要找到元素的唯一组合的索引。例如：

List1 = “A”、“C”、“A”、“G”、“T”、“A”、“C”、“T”、“C”。

List2 = "A"、"G"、"G"、"G"、"C"、"A"、"G"、"G"、"C"。

我想要的输出是：

AA = {1, 6}

CG = {2, 7}

AG = {3}

GG = {4}

TC = {5}

TG = {8}

CC = {9}

我曾尝试使用Rcpp 和for 循环和if/else 语句对此进行编码，但结果非常慢。使用R 函数，如apply, unique, etc. 似乎执行得更慢！我什至尝试使用整数对这些字符进行编码，但没有发现任何改进。

只是想知道是否有人能想到一种更快的方法......

谢谢！

【问题讨论】：

您的尝试到底是什么样的。 “相当慢”到底是什么意思？您的速度要求是什么？
您能否输入第三个列表 (List3) 和您想要的输出？
这将是巨大的输出：3000*100000 !!!!!

标签： r sorting rcpp dna-sequence pairwise

【解决方案1】：

假设它们实际上是列表，您可以执行类似的操作

library(data.table)
Df <- data.table(list1, list2) 
Df[, .(str = factor(paste0(list1, list2)), 
       row = seq(.N))][, .(str, 
                          paste0(row, collapse = ',')), #collapse ID
                         by = str]

对于每个列表对，然后组合结果。

【讨论】：