逐对序列分析-查找唯一组合的索引

Posted 2023-01-08

我有大量DNA序列A，C，T，G（总共100,000个列表，每个列表3000个字符）。我需要成对分析这些列表，从第一个列表开始，然后将其与第二个，第三个，第四个，...，第100,000个进行比较。然后转到第二个列表，并将其与第三，第四，...，第100,000个等进行比较。

在每个成对比较中，我需要找到元素的唯一组合的索引。例如：

List1 =“ A”，“ C”，“ A”，“ G”，“ T”，“ A”，“ C”，“ T”，“ C”。

List2 =“ A”，“ G”，“ G”，“ G”，“ C”，“ A”，“ G”，“ G”，“ C”。

我想要的输出是：

AA = 1，6

CG = 2，7

AG = 3

GG = 4

TC = 5

TG = 8

CC = 9

我已经尝试使用Rcpp和for循环和if/else语句对此进行编码，但是事实证明它相当慢。使用R之类的apply, unique, etc.功能似乎执行得更慢！我什至尝试使用Integers对这些字符进行编码，但没有发现任何改进。

只是想知道是否有人可以想到一种更快的方法...

谢谢！

答案

假设它们实际上是列表，您可以执行类似操作

library(data.table)
Df <- data.table(list1, list2) 
Df[, .(str = factor(paste0(list1, list2)), 
       row = seq(.N))][, .(str, 
                          paste0(row, collapse = ',')), #collapse ID
                         by = str] 

对于每个列表对，然后合并结果。