Seguramente hay formas mucho más optimas de hacerlo, pero lamentablemente no soy un "gurú" de R, pero al menos entiendo que esta propuesta alcanza tus requerimientos.
La idea básicamente es generar una matriz de probabilidades (mprob
) por base como la siguiente:
[,1] [,2] [,3] [,4] [,5]
[1,] "A" 9 0.33 0.33 0.34
[2,] "G" 0.33 9 0.33 0.34
[3,] "C" 0.33 0.33 9 0.34
[4,] "T" 0.33 0.33 0.33 9
Esto nos va a permitir determinar la probabilidad variación de cada base, en función de otra. Por ejemplo, cuando la base de ADN
sea A, buscaremos la fila correspondiente mediante mprob[mprob[, 1] == base,]
y en las columnas 2,3,4 y 5 tenemos la probabilidad para todas las bases A,G,C y T cuando la base origen es A, y si ves el ejemplo, vas a ver que A tiene el 90% y el 10 % se reparte en las otras opciones. Con esto simplemente tenemos que recorrer el vector ADN
y calcular un nuevo valor mediante sample
bases <- c("A","G","C","T")
ADN <- c("C", "G", "T", "T", "G", "G", "G", "C", "C", "T", "C", "A", "A", "T", "G", "G", "A", "G", "T", "T", "T")
# Genero matriz de probabilidades para cada BASE
mprob <- matrix(data = list("A", 9, 0.33, 0.33, 0.34,
"G", 0.33, 9, 0.33, 0.34,
"C", 0.33, 0.33, 9, 0.34,
"T", 0.33, 0.33, 0.33, 9),
nrow = 4, ncol=5, byrow= TRUE)
nueva_version <- function(adn, bases) {
nuevo_adn <- c()
for (base in adn) {
prob <- unlist(mprob[mprob[, 1] == base,][c(2,3,4,5)])
random_base <- sample(bases, size=1, prob=prob)
#print(paste0(base, ": ", random_base, "(", paste(prob, collapse = ","), ")"))
nuevo_adn <- c(nuevo_adn, random_base)
}
return(nuevo_adn)
}
print(ADN)
print(nueva_version(ADN, bases))
[1] "C" "G" "T" "T" "G" "G" "G" "C" "C" "T" "C" "A" "A" "T" "G" "G" "A" "G" "T" "T" "T"
[1] "C" "G" "T" "T" "G" "T" "G" "C" "A" "T" "C" "A" "A" "T" "G" "G" "A" "G" "T" "T" "T"
La matriz de probabilidades lamentablemente la armamos de manera "hardcoded", sería ideal poder hacerlo de forma dinámica, así, si modificamos la cantidad de bases no hay que reescribir mprob
, pero por ahora no se me ocurre como.
Espero te sirva.