基于碱基赋值规则计算DNA序列求和并生成R数据框

核心思路 #

由于T是R语言中逻辑值TRUE的缩写，直接赋值T <- 2会覆盖内置变量引发潜在问题，因此使用命名向量存储碱基与数值的映射关系，既规避冲突，又方便批量匹配计算。

完整代码实现（含求和表达式） #

# 原始DNA序列向量
x <- c("ATTAGCCGAGC", "TTCCGGTTAA")

# 定义碱基-数值映射（命名向量，避免T的内置变量冲突）
base_map <- c(A = 2, T = 2, G = 4, C = 4)

# 定义处理函数：生成求和表达式并计算结果
process_sequence <- function(seq) {
  # 拆分序列为单个碱基
  bases <- strsplit(seq, "")[[1]]
  # 匹配对应数值
  values <- base_map[bases]
  # 生成求和表达式字符串
  expr_str <- paste(values, collapse = "+")
  # 计算求和结果
  total <- sum(values)
  # 返回表达式和结果
  list(expression = expr_str, sum_result = total)
}

# 批量处理所有序列
processed_results <- lapply(x, process_sequence)

# 构建结果数据框
result_df <- data.frame(
  original_sequence = x,
  sum_expression = sapply(processed_results, function(res) res$expression),
  sum_result = sapply(processed_results, function(res) res$sum_result),
  stringsAsFactors = FALSE
)

# 输出结果
print(result_df)

运行结果 #

original_sequence               sum_expression sum_result
1       ATTAGCCGAGC 2+2+2+2+4+4+4+4+2+4+4         34
2        TTCCGGTTAA 2+2+4+4+4+4+2+2+2+2         28

简化版（仅需求和结果） #

如果不需要中间的求和表达式，可简化代码：

x <- c("ATTAGCCGAGC", "TTCCGGTTAA")
base_map <- c(A = 2, T = 2, G = 4, C = 4)

sum_results <- sapply(x, function(seq) {
  sum(base_map[strsplit(seq, "")[[1]]])
})

result_df_simple <- data.frame(
  original_sequence = x,
  sum_result = unname(sum_results),
  stringsAsFactors = FALSE
)

print(result_df_simple)

运行结果：

original_sequence sum_result
1       ATTAGCCGAGC         34
2        TTCCGGTTAA         28

内容的提问来源于stack exchange，提问作者nouse