如何在R中执行基本的多序列比对？

（我试着问这个问题，但是文本挖掘的人可能会认为有更好的解决方案，我也在这里转载这个问题）

我试图实现的任务是对齐多个序列

我没有一个基本的模式来匹配。我所知道的只是“真实”模式的长度应该是“30”，并且我已经在随机点向它们引入了缺失值的序列

这里是这样一个序列的例子，在左边我们看到缺失值的真实位置，在右边我们看到我们能够观察到的序列

我的目标是仅使用右列上的序列重建左列（基于每个位置的许多字母都相同的事实）

下面是重现上述示例的示例代码：

ATCG <- c("A","T","C","G")
set.seed(40)
original.seq <- sample(ATCG, 30, T)
seqS <- matrix(original.seq,200,30, T)
change.letters <- function(x, number.of.changes = 15, letters.to.change.with = ATCG) 
{
    number.of.changes <- sample(seq_len(number.of.changes), 1)
    new.letters <- sample(letters.to.change.with , number.of.changes, T)
    where.to.change.the.letters <- sample(seq_along(x) , number.of.changes, F)
    x[where.to.change.the.letters] <- new.letters
    return(x)
}
change.letters(original.seq)
insert.missing.values <- function(x) change.letters(x, 3, "-") 
insert.missing.values(original.seq)

seqS2 <- t(apply(seqS, 1, change.letters))
seqS3 <- t(apply(seqS2, 1, insert.missing.values))

seqS4 <- apply(seqS3,1, function(x) {paste(x, collapse = "")})
require(stringr)
# library(help=stringr)
all.seqS <- str_replace(seqS4,"-" , "")

# how do we allign this?
data.frame(Real_sequence = seqS4, The_sequence_we_see = all.seqS)

但在我现在介绍的例子中，我们处理的是许多序列，它们彼此对齐（而不是将它们对齐到一种模式）

---

在R中有没有一种已知的方法可以做到这一点？

您正在寻找一种针对多个序列的全局对齐算法。 问之前你看过维基百科吗

先了解是什么，然后寻找

---

维基百科并没有给出很多关于算法的细节，但更好

在R中编写对齐算法对我来说是个坏主意，但是包（函数）中有一个与算法相关的R接口。请注意，您必须首先安装此算法

---

或者，您可以使用任何可用的算法（例如，）并使用功能导入R中的多序列AligneMT

您可以使用软件包在R中执行多重对齐

按照您的示例，它将类似于：

library(DECIPHER)
dna <- DNAStringSet(all.seqS)
aligned_DNA <- AlignSeqs(dna)

库（解密）
dna虽然这是一个相当古老的思路，但我不想错过一个机会，因为Bioconductor 3.1，有一个包“
msa
”，它实现了三种不同的多序列比对算法的接口：ClustalW、ClustalOmega和MUSCLE。该软件包在所有主要平台（Linux/Unix、Mac OS和Windows）上运行，并且是自包含的，即不需要安装任何外部软件。更多信息可以在和上找到。
@Jules这并没有告诉他如何在R中这样做。我相信塔尔给他发送一些链接并没有真正的帮助，他可以轻松地用谷歌自己搜索。也许在他问这个问题之前很久就有了。你好，朱尔斯。感谢您的好意和演示文稿的链接。干杯Tal@Joris从他提出问题的方式来看，Tal似乎不知道这是一个标准的生物信息学问题，这就是为什么我认为这个领域的一些背景知识可能会帮助他。。。但你是对的，我应该把它作为一个评论而不是一个回答。@Jules:没有伤害的意思。你不知道塔尔是一位生物统计学家，对R有着相当深刻的了解，所以我的评论可能有点苛刻。嗨，朱尔斯。你是对的，这是我第一次尝试用R做这样的任务，因此我的查询。如前所述，建议进行背景阅读对你来说很好。Joris——你和我都知道，很少有人对R有深刻的了解，而我今天也不认为自己是他们中的一员。我仍然非常感激你的感情：）你的，塔尔希·乔里斯。我很高兴知道这样一个接口的存在（我无法从我执行的搜索中找到它）。我不知道你说的“你必须先安装这个算法”是什么意思。（你是说软件包吗？）-但我想我很快就会发现：）谢谢你的帮助：）塔利特不是一个软件包，它是一个单独的可执行文件：正如本所说。MUSCLE是一种众所周知且性能良好的多重对齐算法。因此，您必须先安装可执行文件，然后再使用bio3d软件包。寻找它有点奇怪，因为bio3d主要用于蛋白质建模。但肌肉也可以对齐多个DNA序列。请注意，这方面有新的软件包，包括
msa
，它可以处理肌肉、CLUSTALW和CLUSTALOMEGA算法。另一方面，它不依赖任何外部软件.Thx来更新信息。我把公认的答案弄丢了，但我不介意。7年后，这个答案已经过期很久了。破译公司不认为读取的数据是FASTA格式的吗？我没有看到任何关于字符串是原始字符的示例
library(Biostrings)
pairwiseAlignment(...)

library(DECIPHER)
dna <- DNAStringSet(all.seqS)
aligned_DNA <- AlignSeqs(dna)