章节与参考
数据与工作流 · 第 2 节,共 12 节
6.1 读取序列与注释文件
准备数据与配置(展开)
先解压真实输入包,工作目录须含 examples/;每节单列可选依赖。
1 把已有表格转换成需要的列
这里使用随包的实际序列、连接和基因, 只重命名列来演示角色映射;没有额外生成示意序列或比对。
R · 示例代码
renamed_sequences <- seqs |>
rename(chrom = accver, size = length)
sequence_input <- as_ggchord_seq(renamed_sequences, mapping = c(accver = "chrom", length = "size"))
renamed_features <- genes |>
rename(chrom = accver, left = start, right = end)
feature_input <- as_ggchord_feature(renamed_features,
mapping = c(accver = "chrom", start = "left", end = "right")
)
link_input <- as_ggchord_link(links)输出 / 文本
.source_row qaccver saccver qstart qend sstart send
1 1 MT108731.1 MT118296.1 26298 51139 7121 31959
2 2 MT108731.1 MT118296.1 21513 25922 2365 6772
3 3 MT108731.1 MT118296.1 20376 20677 403 704
4 4 MT108731.1 OQ646790.1 45278 50839 27955 33476转换返回普通数据框,并记录 ggchord_conversion 信息。标识原样保留;缺少完整 序列长度时应补充可靠来源,不能把最大注释端点当作全长。核酸与蛋白比对的最小列 和单位见导入比对结果。
2 GenBank:保留记录身份
R · 示例代码
# NCBI 原始 L09137.2 记录名为 pUC19c,保留该标识。
genbank_result <- NULL
if (nzchar(Sys.which("python3")) && identical(suppressWarnings(system2("python3",
c("-c", shQuote("from Bio import SeqIO")),
stdout = FALSE, stderr = FALSE
)), 0L)) {
genbank_result <- read_genbank("examples/format-inputs/pUC19c-L09137.2.gb")
}输出 / 文本
NULL这个文件是 NCBI 的原始 L09137.2 记录,名称是 pUC19c;不要把它强行改成随包 pUC19。 返回值包括 seq_data、features$annotation 与 report,分段位置及记录/注释来源 保留。这里需要所选 Python 已安装 Biopython;函数不自动安装依赖。 unsupported = "report" 将不支持的位置记入报告,不把远端或复杂位置猜成区间。
本例已在启用 Python Biopython 1.85 的环境重跑,实际返回 L09137.2、2686 bp 及一行注释。可在独立文档环境使用对应 Python 的 python3 -m pip install biopython 安装,并在启动 R 前将其可执行文件加入 PATH。可选依赖导致跳过或返回 NULL 时,不应记作导入成功。
显式 python 路径保留选定虚拟环境,包括解释器符号链接;不安装或改动环境。
解压说明输入包,使工作目录包含 examples/。每次先读一种文件并检查返回的几行,再按序列 ID 对齐输入。
3 FASTA 长度与 GFF3 注释
R · 示例代码
head(read_fasta_lengths(files = "examples/fasta/*.fna"), 4)| accver | length | .source_line |
|---|---|---|
| MT108731.1 | 64323 | 1 |
| MT118296.1 | 32090 | 1 |
| OQ646790.1 | 57367 | 1 |
| OR222515.1 | 83080 | 1 |
FASTA 给出完整长度。GFF3 返回区间、类型和原始链,绘图前可按需保留 CDS。
| accver | start | end | strand | type |
|---|---|---|---|---|
| MT108731.1 | 13064 | 14554 | + | CDS |
| MT108731.1 | 22920 | 23705 | + | CDS |
| MT108731.1 | 23894 | 24814 | + | CDS |
| MT108731.1 | 27115 | 28053 | + | CDS |
4 读取 BLAST 表
| qaccver | saccver | qstart | qend | sstart | send |
|---|---|---|---|---|---|
| MT108731.1 | MT118296.1 | 26298 | 51139 | 7121 | 31959 |
| MT108731.1 | MT118296.1 | 21513 | 25922 | 2365 | 6772 |
| MT108731.1 | MT118296.1 | 20691 | 21146 | 1032 | 1495 |
每一行是一对区间。保留两端坐标顺序,核对两列序列 ID 能在 FASTA 中找到。如何生成标准 BLAST 文件见比对输入。
5 直接转换 Bioconductor 对象
已安装 GenomicRanges 时,可从一条区间转换成特征表。已知完整长度写在 seqlengths 中,可另用 as_ggchord_seq(gr) 提取。
| accver | start | end | strand | .source_row | directionality | source_strand |
|---|---|---|---|---|---|---|
| a | 10 | 30 | + | 1 | forward | + |
GInteractions 的第一端是 query,第二端是 subject。下面的最小输入用两个区间构成一条连接。此示例另需 InteractionSet。
| qaccver | saccver | qstart | qend | sstart | send | qstrand | sstrand | .source_row | .query_anchor | .subject_anchor | orientation_known | direction | query_directionality | subject_directionality |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| a | b | 10 | 30 | 40 | 60 | * | * | 1 | 1 | 2 | FALSE | None | none | none |