序列下载及处理之seqinr包

缺点：需要联网，经常出错，不是操作问题而是因为网络问题

安装

if("seqinr" %in% rownames(installed.packages()) == FALSE) {source("http://bioconductor.org/biocLite.R");biocLite("seqinr")}
suppressMessages(library(seqinr))
ls('package:seqinr')

###Retrieving a sequence and write into FASTA file###

1) 选择要去fetch序列的数据库(这里已genebank为例)

choosebank()   #查看有哪些数据库
choosebank('genbank')

2）一旦选择好了数据库，用query信息进行收索

BRCA1<- query("BRCA1", "SP=Homo sapiens AND K=BRCA1")

3）查看query返回的对象所有属性

attributes(BRCA1)
mynames <- getName(BRCA1)  #查看所有搜索到的名称
length(mynames)             #查看共检索到多少，写入到文档的时候可以用来用来检查 209

 

 4）查看所有收索到的序列所包含的属性

BARC1$req

5） 获取所有检索到的序列，并以fasta格式写入到文件中

all_myseqs <- getSequence(BRCA1)    #所有收索到的序列
write.fasta(all_myseqs, mynames, file.out = "MyBRCA.fasta") #将所有收索到的序列写入fasta格式文件。

###2、Getting the detail of a sequence composition###

6）提取上述特定的序列（第一条序列），及注释信息

myseq <- getSequence(BRCA1$req[[1]])
annots <- getAnnot(BRCA1$req[[1]])
myseq

 

7)统计上述序列中各个碱基的含量

table(myseq)       #统计该序列中碱基使用情况
length(myseq)       #计算序列长度
table(myseq)/length(myseq)  #统计碱基百分比
GC(myseq)            #计算GC含量
seqinr::count(myseq, wordsize=2)  #以2个碱基出现频率
seqinr::count(myseq, wordsize=3)  #以三个碱基出现频率
seqinr::count(myseq, wordsize=4)  #以四个碱基出现频率
seqinr::count(myseq, wordsize=5)  #以5个碱基出现频率

6)关闭接口，防止打开多个接口

closebank()

除了上述之外，如果你知道ID号码也可以根据数据库AC属性 （AC attribute）提取搜索到的特定序列

U61268<-query("BRCA1", "SP=Homo sapiens AND AC=U61268")  #也可以根据特定的ID进行搜索
attributes(U61268)
U61268$req
U61268_seq <- getSequence(U61268$req[[1]])
U61268_annots <- getAnnot(U61268$req[[1]])