（tidyverse）按组为给定位置的列中的每个字符串提取子字符串，以包括

我有一个DNA比对的数据框。每个比对都有一个标签，可以由3个或更多分离物组成。我的目标是对对齐列进行变异，使其消除每个对齐中隔离1、3和4中所有间隙（以“-”号表示）的位置。所有路线中始终包含隔离体1、3和4，有时只有这三个将位于路线中

我所拥有的：

test_df <- data.frame(isolate=c(1,2,3,4,1,2,3,4,5),label=c(1,1,1,1,2,2,2,2,2),alignment=c("--atc-a","at----a","--ataga","--attga","a---ggg","acgttgg","a---tgg","a---tgg", "aggatgg"))

> test_df
  isolate label alignment
1       1     1   --atc-a
2       2     1   at----a
3       3     1   --ataga
4       4     1   --attga
5       1     2   a---ggg
6       2     2   acgttgg
7       3     2   a---tgg
8       4     2   a---tgg
9       5     2   aggatgg

> test_df
  isolate label alignment
1       1     1   atc-a
2       2     1   ----a
3       3     1   ataga
4       4     1   attga
5       1     2   aggg
6       2     2   atgg
7       3     2   atgg
8       4     2   atgg
9       5     2   atgg

我所尝试的：

test_df <- data.frame(isolate=c(1,2,3,4,1,2,3,4,5),label=c(1,1,1,1,2,2,2,2,2),alignment=c("--atc-a","at----a","--ataga","--attga","a---ggg","acgttgg","a---tgg","a---tgg", "aggatgg"))

> test_df
  isolate label alignment
1       1     1   --atc-a
2       2     1   at----a
3       3     1   --ataga
4       4     1   --attga
5       1     2   a---ggg
6       2     2   acgttgg
7       3     2   a---tgg
8       4     2   a---tgg
9       5     2   aggatgg

> test_df
  isolate label alignment
1       1     1   atc-a
2       2     1   ----a
3       3     1   ataga
4       4     1   attga
5       1     2   aggg
6       2     2   atgg
7       3     2   atgg
8       4     2   atgg
9       5     2   atgg

我可以获得我希望为每条路线保留的站点列表，如下所示：

library(tidyverse)
library(stringr)
test_df %>% 
    mutate(positions=str_locate_all(alignment, "[^-]")) %>%
    group_by(label) %>%
    filter(isolate %in% c(1,3,4)) %>%
    summarise(pos_to_keep=list(unique(unlist(Reduce(rbind, positions)))))

---

但是我不确定如何继续分割所有的路线。

这是我可以得到您的解决方案的一种方法。也许有更快的办法

library(dplyr)
test_df <- data.frame(isolate=c(1,2,3,4,1,2,3,4,5),label=c(1,1,1,1,2,2,2,2,2),alignment=c("--atc-a","at----a","--ataga","--attga","a---ggg","acgttgg","a---tgg","a---tgg", "aggatgg"),stringsAsFactors = FALSE)

# Get the correct positions
labelGroups <- test_df %>% mutate(positions=(str_locate_all(alignment, "[^-]"))) %>% filter(isolate %in% c(1,3,4)) %>% group_by(label) %>% summarise(pos_to_keep=list(unique(sort(unlist(positions)))))

# Make a function to extract the relevant letters
getletters <- function(wordlist,indexlist){n <- length(indexlist);lapply(1:n,function(i) paste0(sapply(indexlist[[i]], function(x) substr(wordlist[i],x,x)),collapse=""))}

# Try it
test_df %>% left_join(labelGroups,by="label") %>% mutate(newAlignment=getletters(alignment,pos_to_keep))

# isolate label alignment   pos_to_keep newAlignment
# 1       1     1   --atc-a 3, 4, 5, 6, 7        atc-a
# 2       2     1   at----a 3, 4, 5, 6, 7        ----a
# 3       3     1   --ataga 3, 4, 5, 6, 7        ataga
# 4       4     1   --attga 3, 4, 5, 6, 7        attga
# 5       1     2   a---ggg    1, 5, 6, 7         aggg
# 6       2     2   acgttgg    1, 5, 6, 7         atgg
# 7       3     2   a---tgg    1, 5, 6, 7         atgg
# 8       4     2   a---tgg    1, 5, 6, 7         atgg
# 9       5     2   aggatgg    1, 5, 6, 7         atgg

库（dplyr）
test_df%filter（隔离%c（1,3,4）中的%s））%%>%group_by（label）%%>%summary（pos_to_keep=list（唯一）（排序（未列出（positions）'））
#制作一个函数来提取相关的字母
getletters%变异（新对齐=getletters（对齐，位置保持））
#隔离标签对齐位置以保持新对齐
#1--atc-a 3,4,5,6,7 atc-a
#2-2-1 at----a 3,4,5,6,7----a
#3-3-1-ataga 3,4,5,6,7 ataga
#4-4-1-attga 3,4,5,6,7 attga
#512A---GGG1，5，6，7 aggg
#6 2 acgttgg 1,5,6,7 atgg
#7 3 2 a---tgg 1、5、6、7 atgg
#8 4 2 a---tgg 1、5、6、7 atgg
#9.5.2总计1、5、6、7总计

imo有点不清楚您是如何获得预期结果的。你能用文字解释一下

--atc-a

如何转到

atc-a

，以及

at---a

如何转到

--a

等吗please@elsherbini太棒了！很高兴我能帮忙。