web-dev-qa-db-ja.com

FASTAをデータフレームに読み込み、FASTAファイルのサブシーケンスを抽出します

次のようなDNAシーケンスの小さなfastaファイルがあります。

>NM_000016 700 200 234
ACATATTGGAGGCCGAAACAATGAGGCGTGATCAACTCAGTATATCAC

>NM_000775 700 124 236
CTAACCTCTCCCAGTGTGGAACCTCTATCTCATGAGAAAGCTGGGATGAG

>NM_003820 700 111 222
ATTTCCTCCTGCTGCCCGGGAGGTAACACCCTGGACCCCTGGAGTCTGCA

質問：

1）どのようにこのfastaファイルをデータフレームとしてRに読み込むことができますか？各行はシーケンスレコードで、1列目はrefseqIDで、2列目はシーケンスです。

2）（開始、終了）位置でサブシーケンスを抽出する方法？

NM_000016 1  3 #"ACA"
NM_000775 2  6 #"TAACC"
NM_003820 3  5 #"TTC"
rsubsetbioinformaticsfasta
15
Paul.j

Biostrings パッケージをご覧ください。

library("Biostrings")

s = readDNAStringSet("nm.fasta")
subseq(s, start=c(1, 2, 3), end=c(3, 6, 5))
14
sgibb
library("Biostrings")

fastaFile <- readDNAStringSet("my.fasta")
seq_name = names(fastaFile)
sequence = paste(fastaFile)
df <- data.frame(seq_name, sequence)
7
lblum

上記のsgibbの答えに触発されて、私は最初の質問に次のように答えます：

#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)
}

例：

mydf = fasta2dataframe(myFastaFile.fasta)
2
Paul.j