r - 使用 R 计算字符串矩阵

Question

我有一堆生物序列数据，我需要为每个字母到字母转换的计数制作一个计数矩阵 -> 即 A 后跟 A，A 后跟 T，...，T 后跟 T

我找不到一个包可以根据我的数据自动生成 4x4 矩阵，因此我一直通过查找每个 2 个字母组合的每个序列中的计数来手动进行操作。但是，我现在需要按索引将所有不同的 2 字母计数相加 -> 即 AA 的索引 1 + AT 的索引 1 + ... TT 的索引 1 等等，直到所有索引完成，这就是我的位置我迷路了。

获取 2 个字母计数的代码:

AA <- str_count(data$Sequence, "AA"); AC <- str_count(data$Sequence, "AC")
AG <- str_count(data$Sequence, "AG"); AT <- str_count(data$Sequence, "AT")
CA <- str_count(data$Sequence, "CA"); CC <- str_count(data$Sequence, "CC")
CG <- str_count(data$Sequence, "CG"); CT <- str_count(data$Sequence, "CT")
GA <- str_count(data$Sequence, "GA"); GC <- str_count(data$Sequence, "GC")
GG <- str_count(data$Sequence, "GG"); GT <- str_count(data$Sequence, "GT")
TA <- str_count(data$Sequence, "TA"); TC <- str_count(data$Sequence, "TC")
TG <- str_count(data$Sequence, "TG"); TT <- str_count(data$Sequence, "TT")

我对可能解决此问题的外部包/函数以及任何可以更有效地完成上述代码的包/函数持开放态度

Answer 1

您可以使用生物字符串:

library(Biostrings)
data = data.frame(Sequence=c("AGGATC","GTCCCA"))
dinucleotideFrequency(DNAStringSet(as.character(data$Sequence)))
     AA AC AG AT CA CC CG CT GA GC GG GT TA TC TG TT
[1,]  0  0  1  1  0  0  0  0  1  0  1  0  0  1  0  0
[2,]  0  0  0  0  1  2  0  0  0  0  0  1  0  1  0  0