如何在R中使用agrep输出特定长度的字符串

我有很多DNA序列

我想匹配序列的一部分，并返回一个特定长度的匹配

dataframe df具有以下列：

V1和V2

>chr1:61695-62229      aattccaagagtattattgcaccaaaaggcatggacttaaaattcttgatacatgatttcaaaatattttctttaaggtttgaatcagtctatattccctccagcagcgtataaaagtgccaatttctctgatccttagccagtttgggtaataataattgtaaaacttttttttctttttttttgagacagagtctccctctgtcgccaggctgaagtgcagtggcgcaatctcggctcactgcaacctccgcctcccggggtcaagctattctcctgcctcagcctcccaagtagctgggactacaggcatgcaccaccatgcccagctaatttttgttatttttagtagagatggagtttccccatgttggacaggatggtctcgatctcttgacctcgtgatccaccctcctcggcctcccaaagtgctgggataacaggcgtgaacaaccatgcccggcctgtaaaactttttcctaatttaacagaaaaataatagtattatattttatcatatttctttgatttcta

>chr1:101718-102194   taaaaataaatgtattaagtatgaacaacaaaaaagctagtaaaggttgaacaacaactatccttaggaaagtggaaataatgtattaataaatatgaaagcaggctagccacggtgactcacatctgtaatcccagcactttgggaggctgaggcaggcagatcacctgaggtcaggagttccagaccagcctggccaacatggtgaaatcttgtctctcctacaaatacaaaaactagccaggcttggttgtgcactcctgtaattcgagctacttgggaggctgaggcaggagaatctcttgaacctgagaggcagaggttgcagtgagccaagatcatgccactgcactccagctggggcaacagagtgacactccatctcaaaataaataaataagaaagcagaaactaataaactagaaaacagaaacatagaactaatttataaatcaaagcactatgccttgaaaaga

我用agrep赢得了比赛

RepeatAlusSequencesdfMatch <- RepeatAlusSequencesdf[agrep("aacctcaaagactggcctca", RepeatAlusSequencesdf[,2],ignore.case = TRUE, max.distance = 0.3), ]

---

RepeatAlusSequencesdfMatch请参见我上面的评论。我不认为你能用agrep实现你在这里的目标。如果您试图模糊匹配的DNA序列具有可预测的核苷酸插入/删除/替换的数量和位置，那么只需使用一个（或多个）带有捕获组的正则表达式即可提取您需要的内容

如果差异不可预测，并且确实需要模糊匹配，则可以使用如下暴力算法：

将你的每个DNA序列分成随机位置，例如产生不同的146个核苷酸长序列

在生成的序列上使用“阈值”最大距离跑agrep，并选择匹配的序列

从上述集合中，通过连续使用较小的最大距离运行agrep来选择最佳匹配，直到获得感兴趣的匹配

你选择的146个核苷酸序列越多，得到的结果就越准确。如果你想找到最佳匹配，可以使用穷举搜索，从一开始遍历每个DNA序列，将其拆分为146个核苷酸片段，然后运行上述算法，然后从一开始就保留一个核苷酸，选择下一个分区，依此类推，直到最后

希望这有助于或提供更好的想法。
您不能像使用grep那样在agrep中捕获群组。你不能说“给我匹配的子字符串”。您会说：“这是一个字符串序列，通过使用最小数量的插入、删除或替换来查找与此模板匹配的字符串”，算法只会返回匹配的字符串。它们的匹配或不匹配是在整个字符串上计算的。如果我让agrep返回匹配，那么我可以将其插入一个新列，然后插入一个适当的grep以返回匹配和146个额外的核苷酸。但是cna I如何让agrep返回匹配？或者是否有另一个包可以返回匹配本身？您只能获得整个匹配序列。“匹配本身”是整个匹配序列。为了更好地理解这一点，谷歌“Levenshtein距离”。