String MATLAB中最有效的长字符串子字符串分割方法

我正在使用MATLAB中的一个函数来比较两个基因序列并确定它们的相似性。为此，我将两个序列划分为更小的子串，方法是使用For循环遍历它们，每次移动一个核苷酸，然后将子串添加到细胞阵列中

因此，例如，子字符串长度为4的字符串ATGCAAAT不会拆分为

ATGC，AAAT

而是

ATCG、TGCA、GCAA、CAAA、AAAT

我试图使函数的执行速度更快，因为这两个for循环提供了几乎90%的执行时间，我想知道MATLAB中是否有更快的方法来实现这一点

以下是我当前使用的代码：

 SubstrSequence1 = {};                                                
 SubstrSequence2 = {};
 for i = 1:length(Sequence1)-(SubstringLength-1)                
     SubstrSequence1 = [SubstrSequence1, Sequence1(i:i+SubstringLength-1)];
 end

 for i = 1:length(Sequence2)-(SubstringLength-1)                
     SubstrSequence2 = [SubstrSequence2, Sequence2(i:i+SubstringLength-1)]; 
 end

这个怎么样

str = 'ATGCAAAT';
n = 4;
strs = str(bsxfun(@plus, 1:n, (0:numel(str)-n).'));

结果是一个2D字符数组：

所以部分字符串是

strs（1，：）

，

strs（2，：）

等

如果要将结果作为字符串的单元格数组，请在末尾添加以下内容：

strs = cellstr(strs);

产生

strs = 
    'ATGC'
    'TGCA'
    'GCAA'
    'CAAA'
    'AAAT'

然后部分字符串是

strs{1}

，

strs{2}

等等。

这里有一种方法用于获取

子序列1

-

A = 1:numel(Sequence1);
out = cellstr(Sequence1(hankel(A(1:SubstringLength),A(SubstringLength:end)).'))

您可以按照相同的过程查找

子序列2

样本运行-

>> Sequence1 = 'ATGCAAAT';
>> SubstringLength = 4;
>> A = 1:numel(Sequence1);
>> cellstr(Sequence1(hankel(A(1:SubstringLength),A(SubstringLength:end)).'))
ans = 
    'ATGC'
    'TGCA'
    'GCAA'
    'CAAA'
    'AAAT'

---

一种方法是生成适当提取所需子字符串的索引矩阵：

>> sequence = 'ATGCAAAT';
>> subSequenceLength = 4;
>> numSubSequence = length(sequence) - subSequenceLength + 1;
>> idx = repmat((1:numSubSequence)', 1, subSequenceLength) + repmat(0:subSequenceLength-1, numSubSequence, 1);
>> result = sequence(idx)

    result =

        ATGC
        TGCA
        GCAA
        CAAA
        AAAT

---

我从汉克尔开始，但没能成功@路易斯门多我从bsxfun开始，但为时已晚！：）我相信你是从那开始的：-非常感谢，这很有效。它比我使用的for循环快大约3倍，而且比这里的其他建议稍微快一点。

>> sequence = 'ATGCAAAT';
>> subSequenceLength = 4;
>> numSubSequence = length(sequence) - subSequenceLength + 1;
>> idx = repmat((1:numSubSequence)', 1, subSequenceLength) + repmat(0:subSequenceLength-1, numSubSequence, 1);
>> result = sequence(idx)

    result =

        ATGC
        TGCA
        GCAA
        CAAA
        AAAT