使用 R 进行序列覆盖

Question

我有一个包含 100 个氨基酸 (AA) 的蛋白质序列，可以作为数据框进行处理。每个 AA 都有一个职位，目前最重要的是职位：

Protein <- data.frame(AA = 1:100)

比我有一个数据框，其中包含来自蛋白质的肽（消化/序列分解后）以及与蛋白质相关的 AA 的初始和最终位置：

df <- data.frame(
Peptides = c("Peptide_A", "Peptide_B", "Peptide_C", "Peptide_D"), 
Initial.AA = c(1, 23, 59, 77), 
Final.AA = c(18, 58, 70, 100)
)

Output:

   Peptides Initial.AA Final.AA
1 Peptide_A          1       18
2 Peptide_B         23       58
3 Peptide_C         59       70
4 Peptide_D         77      100

检查 df 可以清楚地看到一些 AA 未映射（19:22 和 71:76，总共 10 个未映射 AA）。

我希望输出映射AA的总百分比，在本例中为90%（来自所有肽的90个映射AA/100个蛋白质AA）。

一如既往地欢迎所有答案，但更喜欢整洁的答案。

Answer 1

首先我添加了一个新列并使用滞后函数来获取Initial.AA和Final.AA之间的差异。 Lag 将之前的行作为输入。请注意，我们有一个 NA，那是因为第一个行之前没有行。

df<- df%>%mutate(newcol = Initial.AA - lag(Final.AA) -1)
> df
   Peptides Initial.AA Final.AA newcol
1 Peptide_A          1       18     NA
2 Peptide_B         23       58      4
3 Peptide_C         59       70      0
4 Peptide_D         77      100      6

然后我计算百分比。在这种情况下我们得到 90%

1- sum(df$newcol, na.rm = TRUE)/NROW(Protein)
[1] 0.9

Answer 2

即使

df$Initial.AA

不从 1:

开始，此解决方案也应该有效

library(dplyr)
library(tidyr)

df <- 
  rowwise(df) |> 
  mutate(seq = list(seq(Initial.AA, Final.AA, by = 1))) |> 
  unnest(seq)

1 - sum(!Protein$AA %in% df$seq)/length(Protein$AA)
#> [1] 0.9

^{创建于 2024-04-16，使用 reprex v2.1.0}