将 DNA 序列转换为 R / Weka 的数字向量

Question

我想在 Weka 中使用机器学习技术（例如 Naive Bayes 和 SVM）来使用 DNA 序列数据识别物种。 问题是我必须将 DNA 序列转换为数字向量。

我的序列是这样的：

----------------------------------- -G ------------------------------------------GGAGATG ------------------------------------------GGAGATG ------------------------------------------GGAGATG TATTAATTCGAGCAGAATTAGGAAATCCTGGATCTTTAATTGGTGATG ----------------------------------------------ATG CTATTAATTCGAGCTGAGCTAAGCCAGCCCGGGGCTCTGCTCGGAGATG ------------------------TCAACCTGGGGCCCTACTCGGAGACG ----TAATCCGAGCAGAATTAAGCCAACCTGGCGCCCTACTAGGGGATG CTATTAATTCGAGCTGAGCTAAGCCAGCCTGGGGCTCTGCTCGGAGATG TATTAATTCGTTTTGAGTTAGGCACTGTTGGAGTTTTATTAG---ATA

我该怎么做？除了 Weka 之外，还有什么其他程序可以用 DNA 序列进行机器学习吗？

Answer 1

这个答案使用了 R。

您可以为此使用 R 的 Biostrings 包。

先安装包：

source("http://www.bioconductor.org/biocLite.R")
biocLite(c("Biostrings"))

将字符串转换为DNAstring：

dna1 <- DNAString("------------------------------------------------G------------------------------------------GGAGATG")

或者，

dna2 <- DNAStringSet(c("ACGT", "GTCA", "GCTA"))


alphabetFrequency(dna1)
letterFrequency(dna1, "GC")
....

然后（如果必须）您可以从 R 调用 Weka 函数，例如带有NB <- make_Weka_classifier("weka/classifiers/bayes/NaiveBayes") ; NB(colx ~ . , data=mydata) 的朴素贝叶斯，或根据需要转换您的数据和/或导出为 Weka 理解的其他类型的文件。我想到了foreign::write.arff() 函数。但我不会为此使用 Weka。

不用说，您也可以简单地将这些序列输入website performing a BLAST search 并获得可能的候选物种。

对于CTATTAATTCGAGCTGAGCTAAGCCAGCCCGGGGCTCTGCTCGGAGATG，我以 91% 的概率从“带状岩石蜥蜴”（Petrosaurus mearnsi）获得线粒体 DNA。