Считайте FASTA в фрейм данных и извлеките подпоследовательности файла FASTA.

У меня есть небольшой файл с последовательностями ДНК, который выглядит так:

>NM_000016 700 200 234
ACATATTGGAGGCCGAAACAATGAGGCGTGATCAACTCAGTATATCAC

>NM_000775 700 124 236
CTAACCTCTCCCAGTGTGGAACCTCTATCTCATGAGAAAGCTGGGATGAG

>NM_003820 700 111 222
ATTTCCTCCTGCTGCCCGGGAGGTAACACCCTGGACCCCTGGAGTCTGCA

Вопросы:

1) Как я могу прочитать этот файл fasta в R как кадр данных, где каждая строка - это запись последовательности, 1-й столбец - это refseqID, а 2-й столбец - это последовательность.

2) Как извлечь подпоследовательность в (начало, конец) месте?

NM_000016 1  3 #"ACA"
NM_000775 2  6 #"TAACC"
NM_003820 3  5 #"TTC"

Ответ 1

Вы должны посмотреть на Biostrings пакет.

library("Biostrings")

s = readDNAStringSet("nm.fasta")
subseq(s, start=c(1, 2, 3), end=c(3, 6, 5))

Ответ 2

library("Biostrings")

fastaFile <- readDNAStringSet("my.fasta")
seq_name = names(fastaFile)
sequence = paste(fastaFile)
df <- data.frame(seq_name, sequence)

Ответ 3

вдохновленный ответом sgibb выше, я отвечаю на первый вопрос следующим образом:

#read fasta file into R as a dataframe: 1st column as "RefSeqID", 2nd column as "seq"

library("Biostrings")
fasta2dataframe=function(fastaFile){
s = readDNAStringSet(fastaFile)
RefSeqID = names(s)
RefSeqID = sub(" .*", "", RefSeqID) 
#erase all characters after the first space: regular expression matches a space followed by any sequence of characters and sub replaces that with a string having zero  characters 

for (i in 1:length(s)){
seq[i]=toString(s[i])
}

RefSeqID_seq=data.frame(RefSeqID,seq)
return(RefSeqID_seq)
}

Пример:

mydf = fasta2dataframe(myFastaFile.fasta)