如何在含420条长DNA序列的数据集上计算Levenshtein距离矩阵？

需求说明 #

你需要为包含约420条长DNA序列（每条约2kbp）的数据集计算Levenshtein编辑距离矩阵，矩阵行/列以Accession为标识，对角线显示为-，其余位置为对应序列间的编辑距离。原始数据框结构示例：

# 示例数据框
dna_data <- data.frame(
  Accession = c(123, 456, 789),
  Species = c("xxx", "yyy", "zzz"),
  c1 = c("y", "x", "y"),
  c2 = c("z", "z", "z"),
  Sequence = c("AGCTGTAC", "CTGATGTC", "TGCATGCG")
)

期望输出矩阵格式：

123 456 789
123  -   y   z
456  x   -   z
789  x   y   -

解决方案：使用stringdist::stringdistmatrix() #

不需要手动写循环，stringdistmatrix()专门用于批量计算字符串间的距离矩阵，内部做了效率优化，完全适配420条序列的规模。具体步骤如下：

1. 加载依赖包

library(stringdist)

2. 计算Levenshtein距离矩阵
   指定method = "lv"来计算Levenshtein编辑距离：

# 提取Sequence列，计算所有序列间的距离矩阵
dist_matrix <- stringdistmatrix(
  a = dna_data$Sequence,
  b = dna_data$Sequence, # 与自身所有序列两两比对
  method = "lv"
)

3. 设置矩阵标识
   将矩阵的行名和列名替换为Accession值：

rownames(dist_matrix) <- dna_data$Accession
colnames(dist_matrix) <- dna_data$Accession

4. 替换对角线为-
   将矩阵对角线（自身与自身的比对结果）替换为-：

diag(dist_matrix) <- "-"

执行完上述代码后，dist_matrix就是你需要的目标格式。

内容的提问来源于stack exchange，提问作者Giulia Senna