r - 如何设置从 r 中的字符串中随机选取字符的概率

Question

我有一个重复 4 个字符“atgc”的字符串

a <- "attgctagctagtcatgctagctacgtacgcatcgtacgatgcatatgctttttaattt"

如何随机选择一个大小为 5 的字符串，其中“gc”的概率应为 60%

Answer 1

好吧，这是一种方法:

set.seed(1)    # for reproducible example
all.str <- sapply(1:(nchar(a)-4),function(i) substr(a,i,i+4))
gc      <- grepl("gc",all.str)
indx    <- sample(c(TRUE,FALSE),10,p=c(0.6,0.4),replace=TRUE)
result  <- c(sample(all.str[gc],sum(indx)),sample(all.str[!gc],sum(!indx)))
result  <-result[sample(seq_along(result),length(result))]
result
#  [1] "cgatg" "ctagc" "cgtac" "tagct" "gtacg" "ttaat" "catat" "cgcat" "acgca" "atgct"

所以有两类 5 个碱基段:有“gc”的和没有的。 all.str 是所有 5 个基段的向量。 gc 是一个与 all.str 长度相同的向量，指示特定元素是否具有“gc”。 indx 是一个长度为 10(可以是任何长度)的随机向量，它具有 T 或 F，其中 T 出现的概率为 0.6(请注意，这确实意味着 0.6，只是出现 T 的概率为 0.6) .

因此我们从 all.str[gc] 中获取一个 5 碱基片段的随机样本和从 all.str[!gc] 中获取第二个随机样本，结合这些，并随机化结果的顺序。

更一般地说，这是分层抽样或比例抽样的示例。 R 中有用于此目的的包，我相信有人会向您展示如何使用其中一个包来完成此操作。

最后，我觉得您的真实字符串 a 比示例长很多，因此这可能无法很好地扩展。