基于R语言计算蛋白质序列肽段覆盖百分比（tidyverse优先）

问题背景 #

现有一条含100个氨基酸的蛋白质，其氨基酸位置存储为：

Protein <- data.frame(AA = 1:100)

另一个data.frame记录了该蛋白质酶解后的肽段信息，包含每个肽段对应的蛋白质起始与终止氨基酸位置：

df <- data.frame(
  Peptides = c("Peptide_A", "Peptide_B", "Peptide_C", "Peptide_D"), 
  Initial.AA = c(1, 23, 59, 77), 
  Final.AA = c(18, 58, 70, 100)
)

该肽段数据的输出如下：

Peptides Initial.AA Final.AA
1 Peptide_A          1       18
2 Peptide_B         23       58
3 Peptide_C         59       70
4 Peptide_D         77      100

经检查，存在未被肽段覆盖的氨基酸区间（19-22和71-76，共10个），需计算被覆盖氨基酸的总百分比（本例预期结果为90%），要求优先使用tidyverse工具链实现。

解决方案 #

通过生成所有被肽段覆盖的氨基酸位置，统计其数量后计算占比：

library(tidyverse)

# 生成所有被肽段覆盖的氨基酸位置并去重
covered_aa <- df %>%
  rowwise() %>%
  mutate(AA = list(Initial.AA:Final.AA)) %>%
  unnest(AA) %>%
  distinct(AA)

# 计算覆盖百分比
coverage_rate <- (nrow(covered_aa) / max(Protein$AA)) * 100

# 输出结果
cat("被覆盖氨基酸的总百分比：", round(coverage_rate, 1), "%\n")

代码解释 #

• rowwise() + mutate(AA = list(Initial.AA:Final.AA))：为每个肽段生成对应的连续氨基酸位置序列，存储为列表列
• unnest(AA)：将列表列展开为单个氨基酸位置的行记录
• distinct(AA)：去除重复的氨基酸位置（避免肽段重叠时重复计数）
• 最后用被覆盖的氨基酸总数除以蛋白质总氨基酸数，乘以100得到百分比

运行代码后将输出：

被覆盖氨基酸的总百分比： 90 %

内容的提问来源于stack exchange，提问作者T.B.