如何在R中对文本字符串(utf8)进行多序列对齐

发布于05月26日

给定三个字符串:

seq <- c("abcd", "bcde", "cdef", "af", "cdghi")

我想进行多重序列比对，以便得到以下结果:

abcd
 bcde
  cdef
a    f
  cd  ghi

使用msa包中的msa()函数，我try 了:

msa(seq, type = "protein", order = "input", method = "Muscle")

并得到以下结果:

    aln     names
 [1] ABCD--- Seq1
 [2] -BCDE-- Seq2
 [3] --CD-EF Seq3
 [4] -----AF Seq4
 [5] --CDGHI Seq5
 Con --CD-?? Consensus

我想将此函数用于可以包含任何unicode字符的序列，但在本示例中，该函数已经给出了一个警告:找到了无效的字母.有什么 idea 吗？

推荐答案

在base R中有一个输出表的解决方案:

seq <- c("abcd", "bcde", "cdef", "af", "cdghi")

all_chars <- unique(unlist(strsplit(seq, "")))

tab <- t(apply(do.call(rbind, lapply(strsplit(seq, ""), 
       function(x) table(factor(x, all_chars)))), 1,
       function(x) ifelse(x == 1, all_chars, " ")))

我们可以打印不带引号的输出，以便更清楚地查看:

print(tab, quote = FALSE)
#>      a b c d e f g h i
#> [1,] a b c d          
#> [2,]   b c d e        
#> [3,]     c d e f      
#> [4,] a         f      
#> [5,]     c d     g h i

由reprex package(v2.0.1)于2022年5月25日创建