如何获得基因组CpG位点信息 —— Package：BSgeno

简单的例子

library("BSgenome.Hsapiens.UCSC.hg19")

str = "ACGCCTCGAGCGTAGCGTAGCGT"
matchPattern("CG", str)
cat("\n")
POS = start(matchPattern("CG", str))
chr = rep("chr1", length(POS))
start = POS
end = POS + 1
strand = rep("+", length(POS))

grList = list()
GRx  <- GRanges(seqnames = Rle(chr), 
                ranges = IRanges(start,end),
                strand = Rle(strand) )
grList[[1]] <- GRx
grList[[1]]

cgGR = unlist(GRangesList(grList))
save(cgGR, file = "hg19_CpG_sites.RData")

运行结果如下：

  Views on a 23-letter BString subject
subject: ACGCCTCGAGCGTAGCGTAGCGT
views:
    start end width
[1]     2   3     2 [CG]
[2]     7   8     2 [CG]
[3]    11  12     2 [CG]
[4]    16  17     2 [CG]
[5]    21  22     2 [CG]

GRanges object with 5 ranges and 0 metadata columns:
      seqnames    ranges strand
         <Rle> <IRanges>  <Rle>
  [1]        5       2-3      +
  [2]        5       7-8      +
  [3]        5     11-12      +
  [4]        5     16-17      +
  [5]        5     21-22      +
  -------
  seqinfo: 1 sequence from an unspecified genome; no seqlengths

如此根据染色体序号循环即可得到保存整个基因组的CpG位点的RData。

Biostrings

BSgenome.Hsapiens.UCSC.hg19 包是基于IRanges，GenomeInfoDb，GenomicRanges， Biostrings，XVector这些包所所构建的。

Biostrings是BSgenome.Hsapiens.UCSC.hg19的一个基础包，其中的matchPattern()函数用于根据设定的pattern寻找目标string的起始和结束位点。结合BSgenome.Hsapiens.UCSC.hg19包的基因组数据可用于建立一些数据集，如CpG位点data；或保存其他的定序列的位点信息。