跳到正文
章节与参考

数据与工作流 · 第 5 节,共 12 节

6.4 对齐字符与来源坐标

下载 R 脚本包含本页准备与全部步骤。文件示例须先下载输入;预览和保存调用保留。
本页目录
R · 示例代码
library(ggchord)
library(dplyr)
准备数据与配置(展开)
R · 示例代码
library(dplyr)
seqs <- seq_data_example |>
  select(accver, length)
links <- ribbon_data_example |>
  select(qaccver, saccver, qstart, qend, sstart, send)
# 从原始注释字段恢复真实链。
genes <- gene_data_example |>
  transmute(accver, start, end, strand = source_strand)

以下使用随包数据,无需下载或解压输入文件;每节单列可选依赖。原始记录仍可从真实输入包追溯。

1 保留真实 FASTA 字符

随包对象 sequence_detail_example$plasmid_source 已保留真实字符、头部物理行号和文件来源;导入自己的 FASTA 时使用 keep_sequence = TRUE。仅读取时去除空白,保留大小写;显式声明 bp 或 aa,不猜字母表。聚焦同时裁剪字符串与区间,下例局部位置 1 对应原始位置 1001。降序区域仍选择同一区间,不执行反向互补。只有长度不能恢复字符,只有 HSP 端点不能恢复 mismatch 或 gap 列。有 gap 的 FASTA 会将 gap 计入长度,基因组用途需要单独的比对列到源位置映射。

R · 示例代码
character_source <- sequence_detail_example$plasmid_source
character_locus <- focus_ggchord_data(
  character_source,
  loci = data.frame(accver = character_source$accver, start = 1001, end = 1060)
)
character_locus$seq_data |>
  select(accver, length, sequence, .source_origin)

1.1 导入自己的已有对齐

以下小节专门演示 read_aligned_fasta()。将路径换成已有的等长 FASTA;来源示例文件可在输入包中取得。文件不存在时跳过读取,后续绘图仍直接使用随包表。

R · 示例代码
alignment_file <- "examples/alignment/opuntia-aligned.fasta"
if (file.exists(alignment_file)) {
  imported_alignment <- read_aligned_fasta(
    alignment_file, "DNA", source_file = TRUE
  )
}

2 已有字符对齐:区分对齐列与源位置

以下直接使用 sequence_detail_example 中已准备的 DNA/蛋白对齐表。原始 Biopython 记录、上游许可、哈希及可重复的 FASTA 转写规则保留在来源目录 examples/alignment/。不运行比对工具,不改动完整记录 ID 或原始字符;显式选择行与列。

read_aligned_fasta() 读取一个已有对齐,须声明 DNA、RNA 或 AA;等长本身不能证明同源性。alignment_column 包括 - 和 . gap,这些列的 source_position 为 NA。默认源位置在去 gap 输入片段中从 1 计数,不是完整基因组坐标。小写字符也消耗位置,因此不能把此读取器当作 A3M 插入语义解析器。

R · 示例代码
aligned_dna <- sequence_detail_example$dna_alignment
selected_rows <- unique(aligned_dna$accver)[c(1, 3, 7)]
local_dna <- aligned_dna |>
  filter(accver %in% selected_rows, between(alignment_column, 321, 380))

map_alignment_position(local_dna, selected_rows[1], c(342, 343, 344))
map_alignment_position(local_dna, selected_rows[1], 343, inverse = TRUE)

p_characters <- ggplot2::ggplot(
  local_dna, aes(alignment_column, accver, label = symbol)
) +
  geom_residue(overflow = "error") +
  scale_fill_residue("DNA") +
  ggplot2::labs(x = "Alignment column", y = NULL) +
  ggplot2::theme_minimal()
view_ggchord(p_characters)

首条选中记录在对齐列 343 有 gap;按列查找返回 matched = TRUE、is_gap = TRUE 和缺失源位置。反向查找源位置 343 则定位到其实际对齐列,不做插值。被筛选删除的位置返回 matched = FALSE;筛选不重编号保留列。即使另行声明了不同源 ID,map_alignment_position() 仍按对齐行 ID 选择记录。

geom_residue() 是普通 Cartesian ggplot 图层,样式和用户标度遵循 ggplot2。绘制时按实际单元宽高测量字形:overflow = "error" 要求文字可读,"tile" 对放不下的字母保留色格,不缩小字号。显示字母时可减少列数或增大物理宽度,例如用普通 ggsave(width = 12, height = 3.4, units = "in") 保存 p_characters;仅增加 DPI 不会增加物理空间。支持离散行、identity/reverse 位置标度与 Cartesian 坐标;该层不直接投射到骨架 Coord。具有明确来源映射的 Cartesian 字符图可经 register_ggchord_alignment() 注册,用于 Fusion 字符细节。

默认残基图将相邻色格连续拼接,在未指定坐标时采用1:1单元格比例。字形使用深色粗体无衬线字体,并以统一比例适配色格;默认不会缩到3 mm以下。未显式提供 fill 时自动映射 label,依据数据 alphabet 使用 DNA/RNA/AA 化学性质配色;scale_fill_residue() 可显式选择字母表,ggplot2::scale_fill_manual() 可替换颜色。显式字号、映射、固定颜色与用户坐标优先。默认不显示字符图例,可用 show.legend = TRUE 开启。

2.1 自动换行

将 line_width = 50 传给 geom_residue(),可把100个碱基分成1–50、51–100两行。以下读取 MT108731.1 的前100个真实碱基;行标签保留原始列范围,横轴显示行内列号。多序列共用同一分段边界,gap仍占一列;原始数据、对齐列和源位置不会重编号。

R · 示例代码
genome <- genome_comparison_example$sequences |>
  filter(accver == "MT108731.1")
fragment <- setNames(substr(genome$sequence, 1, 100), genome$accver)
cells <- as_ggchord_alignment(fragment, "DNA",
  source_data = data.frame(accver = genome$accver, start = 1, strand = "+",
    sequence = genome$sequence))
wrapped <- ggplot2::ggplot(cells, aes(alignment_column, accver, label = symbol)) +
  geom_residue(line_width = 50, overflow = "error") +
  ggplot2::theme_minimal(base_size = 12) +
  theme(panel.grid = element_blank(), axis.text = element_text(colour = "#202020"))
view_ggchord(wrapped, width = 10, height = 2.5, units = "in")
100个真实碱基按每行50列换行显示

换行字符图也可注册到 Fusion;每个聚焦选区必须落在单个显示行内,跨行选区须显式拆成多个源区间。line_width 默认 NULL,即不换行。

2.2 蛋白局部片段

同一数据契约可接收真实蛋白字符。该窗口保留上游 gap 与残基差异;默认 fill 按侧链化学性质分组,不代表推断的功能域。

R · 示例代码
aligned_protein <- sequence_detail_example$protein_alignment
protein_rows <- unique(aligned_protein$accver)[2:4]
local_protein <- aligned_protein |>
  filter(accver %in% protein_rows, between(alignment_column, 221, 260))

ggplot2::ggplot(local_protein, aes(alignment_column, accver, label = symbol)) +
  geom_residue(overflow = "tile") +
  ggplot2::labs(x = "Alignment column", y = NULL) +
  ggplot2::theme_minimal()

2.3 显式源坐标

source_data 的每个对齐记录对应一行,包含 accver、start 和 strand。start 是首个非 gap 源位置;负链位置递减,字符串必须已处于比对方向。可选 source_accver 标识原分子。若提供完整正向 sequence,逐一核对非 gap 字符:负链核酸使用互补,AA 仅反序。未提供完整源字符串时标为未核对,不猜起点或链。

下例只检查同一对齐去 gap 后的片段一致性,不构成独立基因组验证。实际基因组投影应提供有独立来源的序列和区间元数据。

R · 示例代码
original_strings <- sequence_detail_example$aligned_strings
fragment_sources <- original_strings |>
  transmute(
    accver, source_accver = accver, start = 1, strand = "+",
    sequence = gsub("[-.]", "", sequence)
  )
checked_cells <- as_ggchord_alignment(
  original_strings, "DNA", source_data = fragment_sources
)

仅凭六个 HSP 端点不能恢复内部 mismatch/gap。此工作流接收已有对齐列,不解析 CIGAR/A3M/Clustal/Stockholm,不推断相位,不计算共识、Logo 或新比对。显式CDS翻译见下节;精确宏观/细节注册见Fusion章节。

3 有来源的 CDS 翻译

build_ggchord_cds() 定义已观测编码坐标;translate_ggchord_cds() 还需要真实的完整正向 DNA/RNA 字符串及可选依赖 Biostrings。本例真实 EMALE 负链 CDS 的源 phase 为0、起始密码子为ATG。表11为显式选择,并与保留的上游蛋白 FASTA 核对;输入来源见 examples/format-inputs/README.md。

R · 示例代码
library(dplyr)
genome <- sequence_detail_example$coding_genome
coding <- sequence_detail_example$coding_features |>
  filter(feature_id == "BVI_023A_0009")
cds <- build_ggchord_cds(coding, genetic_code = 11)
observed <- translate_ggchord_cds(cds, genome, initiation = "start")
expected <- sequence_detail_example$coding_proteins |>
  filter(accver == "BVI_023A_0009")
stopifnot(sub("[*]$", "", observed$models$protein_sequence) == expected$sequence)
observed$residues |>
  select(alignment_column, symbol, codon, source_positions) |>
  head()

models 报告编码/蛋白字符串、翻译表、起始及模糊碱基策略、不完整末端和末端余数。nucleotides 保留每个基因组碱基;residues$source_positions 按生物学顺序列出每个 codon 的三个基因组位置,也保留跨 exon 的 codon。残基位置使用 CDS feature ID 的已观测蛋白坐标域,不推断外部蛋白 accession。内部及末端终止符均保留为 *;本例仅在对照时删除一个末端终止符,以符合上游 FASTA 约定。

默认 initiation = "literal" 不改写替代起始密码子;"start" 要求完整5′端。ambiguous = "error" 拒绝模糊 codon,显式 "solve" 交由 Biostrings 解析,不能唯一确定时输出X。未知翻译表、缺失/过短源序列及已声明的翻译例外均报错。partial = "trim" 在构建 CDS map 时声明:只排除首段 phase 与末端不完整 codon,后续 phase 用于校验连续性,不删除跨段 codon 的碱基。缺失序列不会被补造。RNA 必须显式声明;有序 segments 沿用既有分段/跨原点契约。

完整的碱基、codon 和宏观关联可运行示例在 examples/m2-detail.R,负链氨基酸标在其三个编码碱基中心。真实正/负链分段对照、源hash和原始预期翻译保存在 examples/cds/。注册字符图后可连接精确源边界。

搜索说明

↑ ↓ 选择 · Enter 打开 · Esc 关闭;也可按任务查找。 API 与功能