计算编辑距离百分比

Question

我正在尝试从一组序列中获取编辑距离的百分比。到目前为止，这就是我所拥有的：

library(stringdist)

sequence <- c("CA--------W----------------------EKDRRTEAF---F------",
   "CA--------W----------------------EKDRRTEAF---F------", 
   "CA--------S-------------------SLVFGQGDNIQY---F------", 
   "RA--------S-------------------SLIYSP----LH---F------")

edit_dist <- stringdistmatrix(sequence)
#0 
#13 13 
#14 14 11

len <- stri_length(gsub('-', '', sequence))
#13    13    16    12

由于len的每一行都相当于sequence的每一行，比较两行时我想用最大的len来得到百分比。因此，当在第二个和第三个序列之间有一个编辑距离时，它将使用 16 而不是 13 的长度来获得百分比。

我知道这段代码是错误的，但这通常是我想要的想法：

for (i in len) {
  num1 <- len[i]
  for (j in len){
    num2 <- len[j] 
    if (num2 > num1){
        num <- num2
        }else{
          num <- num1
        }
    }
    edit_dist/num
}

答案应类似于以下内容：

0
.8125 .8125
1.0769 1.0769 .6875

Answer 1

您可以使用 outer 和 pmax 构造一个合适的最大长度矩阵，然后您可以将其强制转换为 dist class（如 edit_dist) 所以你可以划分：

edit_dist <- stringdistmatrix(sequence)
n <- nchar(gsub('-', '', sequence))

edit_dist / as.dist(outer(n, n, pmax))
##          1        2        3
## 2 0.000000                  
## 3 0.812500 0.812500         
## 4 1.076923 1.076923 0.687500

计算编辑距离百分比

Calculate edit distance percentage

r

bioinformatics

string-comparison

edit-distance