如何在R语言中找出字符串中符合指定向量的最长连续字符片段

核心思路 #

先将氨基酸字符串拆分为单个字符，标记每个字符是否属于指定的疏水氨基酸集合；接着识别连续符合条件的字符段，统计各段长度后筛选出最长的片段（若存在多个长度相同的最长段，全部返回）。

完整代码实现 #

# 输入数据
aas <- "QAWDIIKRIDKK"
hydrophobic_res <- c("W", "F", "I", "L", "V", "M", "C", "A", "G")

# 1. 把字符串拆分为单个字符的向量
char_vec <- strsplit(aas, "")[[1]]

# 2. 标记每个字符是否属于目标疏水氨基酸集合
is_hydrophobic <- char_vec %in% hydrophobic_res

# 3. 生成连续分组：将连续符合/不符合条件的字符归为同一组
groups <- cumsum(c(TRUE, diff(is_hydrophobic) != 0))

# 4. 按分组拼接字符，过滤掉包含非目标字符的组
valid_segments <- tapply(char_vec, groups, function(x) {
  if (all(x %in% hydrophobic_res)) paste(x, collapse = "") else NA
})
valid_segments <- na.omit(valid_segments)

# 5. 计算各有效片段的长度，筛选出最长的片段
segment_lengths <- nchar(valid_segments)
max_length <- max(segment_lengths)
longest_segments <- valid_segments[segment_lengths == max_length]

# 输出结果
longest_segments

示例测试 #

• 针对输入aas <- "QAWDIIKRIDKK"，运行代码后输出：

2    4 
"AW" "II"

• 针对输入aas <- "QFILVMD"，修改输入后运行代码，输出：

2 
"FILVM"

代码说明 #

• strsplit用于将字符串拆分为单个字符的向量；
• %in%判断字符是否属于目标疏水氨基酸集合；
• cumsum(diff(is_hydrophobic) != 0)生成连续分组标识，把连续的符合/不符合条件的字符归为同一组；
• tapply按分组拼接字符，并过滤掉包含非目标字符的无效组；
• 最后通过比较片段长度，筛选出所有最长的有效片段。

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