Estoy buscando una forma más rápida de calcular el contenido de GC para cadenas de ADN leídas desde un archivo FASTA. Esto se reduce a tomar una cadena y contar el número de veces que aparece la letra 'G' o 'C'. También quiero especificar el rango de caracteres a considerar.¿Forma más rápida de dividir una cadena y contar caracteres usando R?
Tengo una función de trabajo que es bastante lenta y está causando un cuello de botella en mi código. Se ve así:
##
## count the number of GCs in the characters between start and stop
##
gcCount <- function(line, st, sp){
chars = strsplit(as.character(line),"")[[1]]
numGC = 0
for(j in st:sp){
##nested ifs faster than an OR (|) construction
if(chars[[j]] == "g"){
numGC <- numGC + 1
}else if(chars[[j]] == "G"){
numGC <- numGC + 1
}else if(chars[[j]] == "c"){
numGC <- numGC + 1
}else if(chars[[j]] == "C"){
numGC <- numGC + 1
}
}
return(numGC)
}
Correr Rprof me da el siguiente resultado:
> a = "GCCCAAAATTTTCCGGatttaagcagacataaattcgagg"
> Rprof(filename="Rprof.out")
> for(i in 1:500000){gcCount(a,1,40)};
> Rprof(NULL)
> summaryRprof(filename="Rprof.out")
self.time self.pct total.time total.pct
"gcCount" 77.36 76.8 100.74 100.0
"==" 18.30 18.2 18.30 18.2
"strsplit" 3.58 3.6 3.64 3.6
"+" 1.14 1.1 1.14 1.1
":" 0.30 0.3 0.30 0.3
"as.logical" 0.04 0.0 0.04 0.0
"as.character" 0.02 0.0 0.02 0.0
$by.total
total.time total.pct self.time self.pct
"gcCount" 100.74 100.0 77.36 76.8
"==" 18.30 18.2 18.30 18.2
"strsplit" 3.64 3.6 3.58 3.6
"+" 1.14 1.1 1.14 1.1
":" 0.30 0.3 0.30 0.3
"as.logical" 0.04 0.0 0.04 0.0
"as.character" 0.02 0.0 0.02 0.0
$sampling.time
[1] 100.74
Algún consejo para hacer el código más rápido?
Por lo que vale la pena, terminé decidiendo que R era del todo demasiado lento para procesar ~ 3 mil millones pares de bases del genoma humano y, en su lugar, usa un pequeño script de perl. – chrisamiller