以 3 为增量生成规则数字序列，但考虑输入中的间隙

Question

假设我有一个像下面的

myseq

这样的序列。它是一个 DNA 序列，因此每组 3 个连续字母在随附的

myaa

序列中构成一个字母（氨基酸）。

我想创建一个

mydf

数据框，其中包含

myseq

中每组 3 个字母的开始和结束位置。在下面没有间隙的基本示例中，我可以使用

seq()

轻松完成此操作。

myseq <- "CTACGTAGCTAGCTGGGGTACCGTTATTCAGCTAGCATG"
myaa <- "XYZWWXZZVVYZX"
st_pos <- seq(1, nchar(myseq)+1-3, 3)
en_pos <- seq(1+3, nchar(myseq)+1, 3)
mydf <- data.frame(starts=st_pos, ends=en_pos, label=unlist(strsplit(myaa, "")))

这会产生这个数据框，这正是我想要的：

> mydf
   starts ends label
1       1    4     X
2       4    7     Y
3       7   10     Z
4      10   13     W
5      13   16     W
6      16   19     X
7      19   22     Z
8      22   25     Z
9      25   28     V
10     28   31     V
11     31   34     Y
12     34   37     Z
13     37   40     X

但是，我在实际数据中遇到了一些示例，其中

myseq

包含间隙。在这些情况下，我不能依赖

seq()

，因为我需要考虑起始位置和结束位置的间隙。

我该怎么办？我向您展示了下面的 2 个案例，以及我预期的

mydf

数据框，我只是硬编码了开始和结束位置。

#case 1 - gaps breaking groups of 3 letters in half
myseq <- "CTACGTAGCTAGCTGGGGTACCGTT---ATTC--AGCTAGCATG"
st_pos <- c(1, 4, 7, 10, 13, 16, 19, 22, 25, 31, 36, 39, 42)
en_pos <- c(4, 7, 10, 13, 16, 19, 22, 25, 31, 36, 39, 42, 45)
mydf <- data.frame(starts=st_pos, ends=en_pos, label=unlist(strsplit(myaa, "")))

#case 2 - gaps in between groups of 3 letters, and at the beginning of groups of 3 letters
myseq <- "CTACGTAGCTAGCTGGGGTACCGT---TAT--TCAGCTAGCATG"
st_pos <- c(1, 4, 7, 10, 13, 16, 19, 22, 29, 32, 36, 39, 42)
en_pos <- c(4, 7, 10, 13, 16, 19, 22, 25, 32, 36, 39, 42, 45)
mydf <- data.frame(starts=st_pos, ends=en_pos, label=unlist(strsplit(myaa, "")))

在这些情况下我应该如何以简单的方式生成

st_pos

和

en_pos

向量？谢谢！

Answer 1

你可以试试

> myseq <- "CTACGTAGCTAGCTGGGGTACCGTT---ATTC--AGCTAGCATG"
> add <- cumsum(c(FALSE, diff(el(strsplit(myseq, '')) == '-')) > 0)
> t(t(matrixStats::colRanges(matrix(seq_len(nchar(myseq)) + add, 3))) + c(0, 1))
      [,1] [,2]
 [1,]    1    4
 [2,]    4    7
 [3,]    7   10
 [4,]   10   13
 [5,]   13   16
 [6,]   16   19
 [7,]   19   22
 [8,]   22   25
 [9,]   25   29
[10,]   29   32
[11,]   32   36
[12,]   36   39
[13,]   39   42
[14,]   42   45
[15,]    1   47
Warning message:
In matrix(seq_len(nchar(myseq)) + add, 3) :
  data length [44] is not a sub-multiple or multiple of the number of rows [3]