R/desc-02-DC.R

In nanxstats/protr: Generating Various Numerical Representation Schemes for Protein Sequences

#' Dipeptide Composition Descriptor
#'
#' This function calculates the Dipeptide Composition descriptor (dim: 400).
#'
#' @param x A character vector, as the input protein sequence.
#'
#' @return A length 400 named vector
#'
#' @author Nan Xiao <\url{https://nanx.me}>
#'
#' @seealso See \code{\link{extractAAC}} and \code{\link{extractTC}}
#' for Amino Acid Composition and Tripeptide Composition descriptors.
#'
#' @export extractDC
#'
#' @references
#' M. Bhasin, G. P. S. Raghava.
#' Classification of Nuclear Receptors Based on
#' Amino Acid Composition and Dipeptide Composition.
#' \emph{Journal of Biological Chemistry}, 2004, 279, 23262.
#'
#' @examples
#' x <- readFASTA(system.file("protseq/P00750.fasta", package = "protr"))[[1]]
#' extractDC(x)
extractDC <- function(x) {
  if (protcheck(x) == FALSE) {
    stop("x has unrecognized amino acid type")
  }

  # To achieve maximum performance, here we use dictionary directly
  # DCDict could also be generated with
  # AADict = c('A', 'R', 'N', 'D', 'C', 'E', 'Q', 'G', 'H', 'I',
  #            'L', 'K', 'M', 'F', 'P', 'S', 'T', 'W', 'Y', 'V')
  # as.vector((outer(AADict, AADict, paste, sep = '')))

  DCDict <- c(
    "AA", "RA", "NA", "DA", "CA", "EA", "QA", "GA", "HA", "IA",
    "LA", "KA", "MA", "FA", "PA", "SA", "TA", "WA", "YA", "VA",
    "AR", "RR", "NR", "DR", "CR", "ER", "QR", "GR", "HR", "IR",
    "LR", "KR", "MR", "FR", "PR", "SR", "TR", "WR", "YR", "VR",
    "AN", "RN", "NN", "DN", "CN", "EN", "QN", "GN", "HN", "IN",
    "LN", "KN", "MN", "FN", "PN", "SN", "TN", "WN", "YN", "VN",
    "AD", "RD", "ND", "DD", "CD", "ED", "QD", "GD", "HD", "ID",
    "LD", "KD", "MD", "FD", "PD", "SD", "TD", "WD", "YD", "VD",
    "AC", "RC", "NC", "DC", "CC", "EC", "QC", "GC", "HC", "IC",
    "LC", "KC", "MC", "FC", "PC", "SC", "TC", "WC", "YC", "VC",
    "AE", "RE", "NE", "DE", "CE", "EE", "QE", "GE", "HE", "IE",
    "LE", "KE", "ME", "FE", "PE", "SE", "TE", "WE", "YE", "VE",
    "AQ", "RQ", "NQ", "DQ", "CQ", "EQ", "QQ", "GQ", "HQ", "IQ",
    "LQ", "KQ", "MQ", "FQ", "PQ", "SQ", "TQ", "WQ", "YQ", "VQ",
    "AG", "RG", "NG", "DG", "CG", "EG", "QG", "GG", "HG", "IG",
    "LG", "KG", "MG", "FG", "PG", "SG", "TG", "WG", "YG", "VG",
    "AH", "RH", "NH", "DH", "CH", "EH", "QH", "GH", "HH", "IH",
    "LH", "KH", "MH", "FH", "PH", "SH", "TH", "WH", "YH", "VH",
    "AI", "RI", "NI", "DI", "CI", "EI", "QI", "GI", "HI", "II",
    "LI", "KI", "MI", "FI", "PI", "SI", "TI", "WI", "YI", "VI",
    "AL", "RL", "NL", "DL", "CL", "EL", "QL", "GL", "HL", "IL",
    "LL", "KL", "ML", "FL", "PL", "SL", "TL", "WL", "YL", "VL",
    "AK", "RK", "NK", "DK", "CK", "EK", "QK", "GK", "HK", "IK",
    "LK", "KK", "MK", "FK", "PK", "SK", "TK", "WK", "YK", "VK",
    "AM", "RM", "NM", "DM", "CM", "EM", "QM", "GM", "HM", "IM",
    "LM", "KM", "MM", "FM", "PM", "SM", "TM", "WM", "YM", "VM",
    "AF", "RF", "NF", "DF", "CF", "EF", "QF", "GF", "HF", "IF",
    "LF", "KF", "MF", "FF", "PF", "SF", "TF", "WF", "YF", "VF",
    "AP", "RP", "NP", "DP", "CP", "EP", "QP", "GP", "HP", "IP",
    "LP", "KP", "MP", "FP", "PP", "SP", "TP", "WP", "YP", "VP",
    "AS", "RS", "NS", "DS", "CS", "ES", "QS", "GS", "HS", "IS",
    "LS", "KS", "MS", "FS", "PS", "SS", "TS", "WS", "YS", "VS",
    "AT", "RT", "NT", "DT", "CT", "ET", "QT", "GT", "HT", "IT",
    "LT", "KT", "MT", "FT", "PT", "ST", "TT", "WT", "YT", "VT",
    "AW", "RW", "NW", "DW", "CW", "EW", "QW", "GW", "HW", "IW",
    "LW", "KW", "MW", "FW", "PW", "SW", "TW", "WW", "YW", "VW",
    "AY", "RY", "NY", "DY", "CY", "EY", "QY", "GY", "HY", "IY",
    "LY", "KY", "MY", "FY", "PY", "SY", "TY", "WY", "YY", "VY",
    "AV", "RV", "NV", "DV", "CV", "EV", "QV", "GV", "HV", "IV",
    "LV", "KV", "MV", "FV", "PV", "SV", "TV", "WV", "YV", "VV"
  )

  xSplitted <- strsplit(x, split = "")[[1]]
  n <- nchar(x)
  DC <- summary(factor(
    paste(xSplitted[-n], xSplitted[-1], sep = ""),
    levels = DCDict
  ), maxsum = 401) / (n - 1)

  DC
}