Mám dátový rámec s reťazcami znakov column1
a ID v column2
, Reťazec obsahuje A,T,G or C
, Chcel by som vytlačiť riadky, ktoré majú A
v polohe 1. Potom by som chcel vytlačiť riadky, ktoré majú A
v pozícii 2 atď. a uložte ich do samostatných súborov. Doteraz som použil biostrings v R pre podobnú analýzu, ale pre tento problém to nebude fungovať presne.
Sequence ID
TATACAAGGGCAAGCTCTCTGT mmu-miR-381-3p
TCGGATCCGTCTGAGCT mmu-miR-127-3p
ATAGTAGACCGTATAGCGTACG mmu-miR-411-5p
......
600 more lines
odpovede:
1 pre odpoveď č. 1Biostrings bude fungovať perfektne a bude veľmi rýchly. Zavolajme si reťazec DNA mydata
HasA <- sapply(mydata,function(x) as.character(x[2]) == "A")
Teraz máte vektor TRUE alebo FALSE označujúci, ktorá sekvencia má A na pozícii 2. Môžete to urobiť v peknom dátovom rámci, ako je tento
HasA.df <- data.frame("SeqName" = names(mydata), "A_at_2" = HasA)
1 pre odpoveď č. 2
Nie ste si istí očakávaným výsledkom,
mydata <- read.table(text="Sequence ID
TATACAAGGGCAAGCTCTCTGT mmu-miR-381-3p
TCGGATCCGTCTGAGCT mmu-miR-127-3p
ATAGTAGACCGTATAGCGTACG mmu-miR-411-5p",sep="",header=T,stringsAsFactors=F)
mCh <- max(nchar(mydata[,1])) #gives the maximum number of characters in the first column
sapply(seq(mCh), function(i) substr(mydata[,1],i,i)=="A") #gives the index
Môžeš použiť which
získať index riadku, ktorý spĺňa podmienku pre každú pozíciu
res <- stack(setNames(sapply(seq(mCh),
function(i) which(substr(mydata[,1],i,i)=="A")),1:mCh))[,2:1]
tail(res, 5) #for the 13th position, 1st and 3rd row of the sequence are TRUE
ind values
#11 13 1
#12 13 3
#13 14 2
#14 15 3
#15 20 3
používať index values
extrahovať riadky. Pre 1. pozíciu
mydata[res$values[res$ind==1],]
# Sequence ID
# 3 ATAGTAGACCGTATAGCGTACG mmu-miR-411-5p
0 pre odpoveď č. 3
Použitie perl one-liner
perl -Mautodie -lane "
BEGIN {($f) = @ARGV}
next if $. == 1;
my @c = split //, $F[0];
for my $i (grep {$c[$_] eq "A"} (0..$#c)) {
open my $fh, ">>", "$f.$i";
print $fh $_;
}
" file