【r<-生信|包】Biostrings

在这篇文章中，我们将学习如何操控R中的字符串，主要用的是Biostrings包。

Getting started

如果你是第一次使用，请先用以下命令安装Biostrings包：

source("http://bioconductor.org/biocLite.R")
biocLite("Biostrings")

用以下命令导入：

require(Biostrings)

Biostrings可以加引号。如果你想要查看这个包的说明文档，请点击链接http://www.bioconductor.org/packages/release/bioc/manuals/Biostrings/man/Biostrings.pdf，我们建议你在这次实验操作中保持文档打开以便于查询。

我们将通过实际操作一些Biostrings包提供的函数去熟悉它做的是什么，又是如何实现的。

Generating DNA alphabets

R 提供了函数生成大写和小写的字母表。

letters

##  [1] "a" "b" "c" "d" "e" "f" "g" "h" "i" "j" "k" "l" "m" "n" "o" "p" "q"
## [18] "r" "s" "t" "u" "v" "w" "x" "y" "z"

LETTERS

##  [1] "A" "B" "C" "D" "E" "F" "G" "H" "I" "J" "K" "L" "M" "N" "O" "P" "Q"
## [18] "R" "S" "T" "U" "V" "W" "X" "Y" "Z"

一种生成 “ACGT” 的方式是

sample(LETTERS[c(1,3,7,20)], size=10, replace=TRUE)

##  [1] "C" "G" "T" "A" "T" "T" "G" "G" "A" "A"

Biostrings 使用的DNA_ALPHABET 变量相比起来更加方便。

DNA_ALPHABET

##  [1] "A" "C" "G" "T" "M" "R" "W" "S" "Y" "K" "V" "H" "D" "B" "N" "-" "+"
## [18] "."

seq = sample(DNA_ALPHABET[1:4], size=10, replace=TRUE)
seq

##  [1] "A" "G" "C" "T" "C" "G" "T" "C" "T" "T"

可以将它们转换成一个字符串：

seq = paste(seq, collapse="")
seq

## [1] "AGCTCGTCTT"

The XString class

XString 类允许我们创建、存储和使用不同类型的字符串。不过我们只被允许使用XString的一些子类: BString, DNAString, RNAString, 和AAString.

让我们先创建一个BString对象：

bstring = BString("I am a BString object")
bstring

##   21-letter "BString" instance
## seq: I am a BString object

用R的 “length” 的函数获取对象的长度：

length(bstring)

## [1] 21

现在创建一个 DNAString对象：

dnastring = DNAString("TTGAAA-CTC-N")
dnastring

##   12-letter "DNAString" instance
## seq: TTGAAA-CTC-N

和刚才一样，我们可以计算对象的长度：

length(dnastring)

## [1] 12

根据使用手册，一个BString对象的区别在于：

  1. 只允许使用符合 IUPAC编码字符以及 gap letter (-)
  2. 输入 DNAString函数的每一个字符参数在被存储为DNAString对象前都被特殊方式编码过。

我们能够用str()函数查看任意 XString对象的slot：

str(dnastring)

## Formal class 'DNAString' [package "Biostrings"] with 5 slots
##   ..@ shared         :Formal class 'SharedRaw' [package "XVector"] with 2 slots
##   .. .. ..@ xp                    :<externalptr> 
##   .. .. ..@ .link_to_cached_object:<environment: 0x632f648> 
##   ..@ offset         : int 0
##   ..@ length         : int 12
##   ..@ elementMetadata: NULL
##   ..@ metadata       : list()

slotNames(dnastring)

## [1] "shared"          "offset"          "length"          "elementMetadata"
## [5] "metadata"

一些有用的函数：

alphabetFrequency(dnastring)

## A C G T M R W S Y K V H D B N - + . 
## 3 2 1 3 0 0 0 0 0 0 0 0 0 0 1 2 0 0

alphabetFrequency(dnastring, baseOnly=TRUE, as.prob=TRUE)

##          A          C          G          T      other 
## 0.25000000 0.16666667 0.08333333 0.25000000 0.25000000

letterFrequency(dnastring, "A", as.prob=TRUE)

##    A 
## 0.25

reverseComplement(dnastring)

##   12-letter "DNAString" instance
## seq: N-GAG-TTTCAA

我们也能够通过 [] 操作符取出单个字符：

bstring[3]

##   1-letter "BString" instance
## seq: a

dnastring[2]

##   1-letter "DNAString" instance
## seq: T

也可以通过连续索引取子字符串：

dnastring[7:12]

##   6-letter "DNAString" instance
## seq: -CTC-N

记住，R使用的是基于1的索引系统，它意味着字符串或任意向量的第一个元素的索引是1。虽然这样用来获取子字符串和简单和直观，但是我们强烈不推荐使用，特别是对大的字符串。 Biostrings 提供了 “subseq” 函数可以完成一样的操作：

subseq(bstring, start=3, end=3)

##   1-letter "BString" instance
## seq: a

subseq(bstring, 3, 3)

##   1-letter "BString" instance
## seq: a

subseq(dnastring, 7, 12)

##   6-letter "DNAString" instance
## seq: -CTC-N

我们可以将XString对象转换为字符向量：

toString(bstring)

## [1] "I am a BString object"

toString(dnastring)

## [1] "TTGAAA-CTC-N"

字符向量的长度是1，我们可以检查：

length(toString(bstring))

## [1] 1

Comparing XStrings

我们可以比较XStrings与字符或其他XStrings对象。

bb = subseq(bstring, 3, 6)
bb == "am a"

## [1] TRUE

bb == BString("am a")

## [1] TRUE

不要尝试比较不同的XString类。（也就是相同的类可以，类和字符可以比较）

bstring == dnastring

## Error in bstring == dnastring: comparison between a "BString" instance and a "DNAString" instance is not supported

bstring != dnastring

## Error in e1 == e2: comparison between a "BString" instance and a "DNAString" instance is not supported

The XStringViews class

这是可视化一个XString对象多个子序列的的有效方式。

view = Views(dnastring, start=3:0, end=5:8)
view

##   Views on a 12-letter DNAString subject
## subject: TTGAAA-CTC-N
## views:
##     start end width
## [1]     3   5     3 [GAA]
## [2]     2   6     5 [TGAAA]
## [3]     1   7     7 [TTGAAA-]
## [4]     0   8     9 [ TTGAAA-C]

可以查看views的数目：

length(view)

## [1] 4

同样的，我们也可以选择它的子集：

view[4:2]

##   Views on a 12-letter DNAString subject
## subject: TTGAAA-CTC-N
## views:
##     start end width
## [1]     0   8     9 [ TTGAAA-C]
## [2]     1   7     7 [TTGAAA-]
## [3]     2   6     5 [TGAAA]

返回的对象任然是一个XStringViews对象，即使我们选择的是一个元素。我们可以通过[[]] operator将它抽取为一个XStrings对象。

view[[2]]

##   5-letter "DNAString" instance
## seq: TGAAA

查看除了第三个的其他元素（体现的就是切片操作）

view[-3]

##   Views on a 12-letter DNAString subject
## subject: TTGAAA-CTC-N
## views:
##     start end width
## [1]     3   5     3 [GAA]
## [2]     2   6     5 [TGAAA]
## [3]     0   8     9 [ TTGAAA-C]

XStringSet

XStringSet objects可以非常方便的将几个XString objects存储在一起。

set = NULL
for (i in 1:4)
  set = c(set, paste(sample(DNA_ALPHABET[1:4], 10, replace=T), collapse=""))
set

## [1] "AGACCACTCC" "GCATGTAGCT" "GTGGTACGGC" "TCAAACGGCT"

length(set)

## [1] 4

现在将它转换为 DNAStrings:

set = DNAStringSet(set)
set

##   A DNAStringSet instance of length 4
##     width seq
## [1]    10 AGACCACTCC
## [2]    10 GCATGTAGCT
## [3]    10 GTGGTACGGC
## [4]    10 TCAAACGGCT

length(set)

## [1] 4

“reverseComplement”, “alphabetFrequency”, “width”, and “subseq”函数 work on each of the XStrings in a XStringSet.

reverseComplement(set)

##   A DNAStringSet instance of length 4
##     width seq
## [1]    10 GGAGTGGTCT
## [2]    10 AGCTACATGC
## [3]    10 GCCGTACCAC
## [4]    10 AGCCGTTTGA

alphabetFrequency(set, baseOnly=T, as.prob=T)

##        A   C   G   T other
## [1,] 0.3 0.5 0.1 0.1     0
## [2,] 0.2 0.2 0.3 0.3     0
## [3,] 0.1 0.2 0.5 0.2     0
## [4,] 0.3 0.3 0.2 0.2     0

letterFrequency(set, "A", as.prob=T)

##        A
## [1,] 0.3
## [2,] 0.2
## [3,] 0.1
## [4,] 0.3

width(set)

## [1] 10 10 10 10

subseq(set, 1, 3)

##   A DNAStringSet instance of length 4
##     width seq
## [1]     3 AGA
## [2]     3 GCA
## [3]     3 GTG
## [4]     3 TCA

你可以为每一个 XString命名：

names(set) = paste("name", 1:4, sep="")

Exercise

We’ll look at the Escherichia coli APEC O1 genome (NC 008563). This can be found in the BSgenome package (along with genomes from other model organisms). Download and install the package data:

biocLite("BSgenome.Ecoli.NCBI.20080805")

We can now load the genome with

require(BSgenome.Ecoli.NCBI.20080805)
eco = Ecoli$NC_008563
  1. Sample the genome by generating 1000 random views of random widths (50 - 100).
  2. Use the alphabetFrequency and reverseComplement functions on these views.
  3. Repeat 1-2 but this time with only 100 samples.
  4. Compare the results of alphabetFrequency. How do both of them compare with the entire genome?

Generating the views:

views1000 = Views(eco, start=sample(length(eco), 1000, replace=T), width=sample(50:100, 1000, replace=T))
views100 = Views(eco, start=sample(length(eco), 100, replace=T), width=sample(50:100, 100, replace=T))

Computing the base frequencies:

alphabetFrequency(views1000, baseOnly=T, as.prob=T, collapse=T)

##            A            C            G            T        other 
## 0.2436190835 0.2540654784 0.2542674062 0.2480211082 0.0000269237

alphabetFrequency(views100, baseOnly=T, as.prob=T, collapse=T)

##         A         C         G         T     other 
## 0.2511641 0.2521227 0.2515749 0.2451383 0.0000000

alphabetFrequency(eco, baseOnly=T, as.prob=T)

##            A            C            G            T        other 
## 2.471704e-01 2.529128e-01 2.525602e-01 2.473315e-01 2.518681e-05

可以看到采样越多数值越接近总体值。

IRanges

就像Views能够被用来查看子序列。一个通常的任务是描述染色体一系列的起始位点，并接着查看每个起始位点给定长度后的子序列。

ir1 = IRanges(start=1:10, width=10:1) # 只要定义好start,width,end其中两个，序列就被唯一确定
ir2 = IRanges(start=1:10, end=11)
ir3 = IRanges(end=11, width=10:1)

让我们看看IRanges对象的结构：

str(ir1)

## Formal class 'IRanges' [package "IRanges"] with 6 slots
##   ..@ start          : int [1:10] 1 2 3 4 5 6 7 8 9 10
##   ..@ width          : int [1:10] 10 9 8 7 6 5 4 3 2 1
##   ..@ NAMES          : NULL
##   ..@ elementType    : chr "integer"
##   ..@ elementMetadata: NULL
##   ..@ metadata       : list()

我们可以使用下面函数提取出起点、终点以及宽度：

start(ir1)

##  [1]  1  2  3  4  5  6  7  8  9 10

end(ir1)

##  [1] 10 10 10 10 10 10 10 10 10 10

width(ir1)

##  [1] 10  9  8  7  6  5  4  3  2  1

像Views对象一样，对IRanges对象取子集会得到新的IRanges对象。

ir1[1:4]

## IRanges of length 4
##     start end width
## [1]     1  10    10
## [2]     2  10     9
## [3]     3  10     8
## [4]     4  10     7

而且可以用逻辑表达式进行选择：

ir1[start(ir1) <= 6]

## IRanges of length 6
##     start end width
## [1]     1  10    10
## [2]     2  10     9
## [3]     3  10     8
## [4]     4  10     7
## [5]     5  10     6
## [6]     6  10     5

我们现在来创建一个函数，用基本的R绘制函数画一下IRanges对象。

library(ggplot2)

plotRanges = function(x, xlim=x, main=deparse(substitute(x)), sep=0.5){
  height = 1
  if (is(xlim, "Ranges"))
    xlim = c(min(start(xlim))-sep, max(end(xlim))+sep)
  bins = disjointBins(IRanges(start(x), end(x)+1))  
  
  plot.new()
  plot.window(xlim, c(0, max(bins) * (height + sep)))
  ybottom = bins * (sep + height) - height
  rect(start(x) - 0.5, ybottom, end(x) + 0.5, ybottom + height, col = "blue")
  title(main)
  axis(1)
}
plotRanges(ir1)

我们也可以用ggplot来画：

library(ggplot2)

plotRanges = function(x, xlim=x, main=deparse(substitute(x)), sep=0.5){
  height = 1
  if (is(xlim, "Ranges"))
    xlim = c(min(start(xlim))-sep, max(end(xlim))+sep)
  bins = disjointBins(IRanges(start(x), end(x)+1))  
 
  ybottom = bins*(sep+height) - height
  df = data.frame(ybottom = ybottom, xleft = start(x) -.5, 
  xright = end(x) + .5, ytop = ybottom + height)
  ggplot(df) + geom_rect(aes(xmax = xright, xmin = xleft, ymax = ytop, ymin = ybottom)) + 
    labs(title = main)
}

注意我们的范围是有重叠部分的，要是我们不要重叠呢？

reduce(ir1)

## IRanges of length 1
##     start end width
## [1]     1  10    10

plotRanges(reduce(ir1))

可以看到结果是一个NormalRanges对象。 一个正常的IRanges对象表现为： 1. 非空 (i.e. 它的宽度不为0); 2. 没有重叠; 3. 顺序是从左到右; 4. 不会连接在一起 (i.e. 两个连续的IRanges不会有空的间隔).

CpG islands in real data

GC含量是基因组或DNA片段中"G""C"的百分比。要计算GC含量，我们需要对"G""C"出现的次数计数，然后除以问题中涉及的字符串长度。

我们将会使用来自UCSC基因组资源库的人类基因组版本19中8号染色体的数据(If you have plenty of space and a larger computer, you can prepare the data yourself or take a different chromosome by using the Bioconductor data package BSgenome.Hsapiens.UCSC.hg19, otherwise you will be able to load just a subset of chr8).

当一个基因组窗口GC含量大于50%并且观察与期望的CG比率大于0.6时被定义为CpG岛，CpG岛被认为是基因组上非常重要的区域，因为65%的基因启动子区域都能在CpG岛上找到。

We want to look at this for the Human Chromosome 8. You can get the data either from installing the data from bioconductor (about 800Mb, in a nice format for later reference) which we would like you to do. You can also get the data from downloading from the class website if you haven’t already gotten the data (about 140Mb). If you do not have time to do this right now, you can skip ahead and load the data seqChr8Islands and seqChr8NonIslands by downloading this file and using load("cpg.RData").

如果你还没有下载好bioconductor包，可以使用下面的命令：

source("http://bioconductor.org/biocLite.R")
biocLite("BSgenome.Hsapiens.UCSC.hg19")

如果你已经装好了基因组包，运行：

require(BSgenome.Hsapiens.UCSC.hg19)

## Loading required package: BSgenome.Hsapiens.UCSC.hg19

seqChr8 = unmasked(Hsapiens$chr8)

如果你还没有装好，你可以仅仅下载这次学习所需要的140Mb数据。 当然，你也可以下载 seqChr8.fasta 到你的工作目录，然后运行：

seqChr8 = readDNAStringSet("seqChr8.fasta")[[1]]

下一步，我们用R下载CpG岛在基因组上的位置数据。 Irizarray’s 网站: http://rafalab.jhsph.edu/CGI/model-based-cpg-islands-hg19.txt. 我们的网站上也有model-based-cpg-islands-hg19.txt 这个文件。 从这里下载： model-based-cpg-islands-gh19.txt.。把它保存到你的工作目录，并用下面的命令把它读进R:

cpglocs=read.table("model-based-cpg-islands-hg19.txt",header=T)

第一个链接好像失效了，直接用下面命令直接下载进R：

cpglocs=read.table("http://bios221.stanford.edu/data/model-based-cpg-islands-hg19.txt",header=T)

然后我们仅保留8号染色体上CpG的起始和终止位点：

cpglocs8=cpglocs[which(cpglocs[,1]=="chr8"),2:3]
#Look at the dimensions of the cpglocs object,
dim(cpglocs8)

## [1] 2855    2

#Look at the first and last few rows:
cpglocs8[1:5,]

##        start    end
## 56961  32437  33708
## 56962  40354  40656
## 56963  44536  46203
## 56964  99457 100721
## 56965 155954 156761

cpglocs8[2850:2855,]

##           start       end
## 59810 146125639 146125885
## 59811 146126089 146128165
## 59812 146175867 146176338
## 59813 146228006 146228907
## 59814 146232962 146233086
## 59815 146276730 146278360

# 我们创建了一个新的矩阵，它包含了什么呢？
nonilocs8=matrix(0,ncol=2,nrow=2856)
nonilocs8[1,1]=10000
nonilocs8[1,2]=cpglocs8[1,1]-1
nonilocs8[2:2856,1]=cpglocs8[1:2855,2]+1
nonilocs8[2:2855,2]=cpglocs8[2:2855,1]-1
nonilocs8[2856,2]=146304021

我们现在将创建DNAStringSets对象，它包含了岛内和岛外两个。

seqChr8Islands = DNAStringSet(seqChr8, start=cpglocs8[,1], end=cpglocs8[,2])
seqChr8NonIslands = DNAStringSet(seqChr8, start=nonilocs8[,1], end=nonilocs8[,2])

看一下两个数据集中GC的频率：

freqIslands = vcountPattern("CG", seqChr8Islands) / width(seqChr8Islands)
freqNonIslands = vcountPattern("CG", seqChr8NonIslands) / width(seqChr8NonIslands)
freqCombined = rbind(data.frame(freq = freqIslands, type = "islands"), 
  data.frame(freq = freqNonIslands, type = "non-islands"))
b <- seq(0, 0.25, length = 50)
hist(freqNonIslands, col = rgb(0, 0, 1, 0.5), xlim = c(0, 0.25), breaks = b, 
    main = "Frequencies of CG Digrams")
hist(freqIslands, col = rgb(1, 0, 0, 0.5), add = T, breaks = b)
legend("topright", c("in NonIsland regions", "in Island regions"), fill = c(rgb(0, 
    0, 1, 0.5), rgb(1, 0, 0, 0.5)))

用ggplot来画：

ggplot(freqCombined) + 
geom_histogram(aes(fill = type, x = freq), alpha = .7, position = "identity", 
  binwidth = .005) + 
labs(title = "Frequency of CG digrams")

Exercise: Display GC content in a running window along the sequence of Staphylococcus Aureus. For this excercise we read in a fasta file sequence from a file:

staph = readDNAStringSet("./data/staphsequence.ffn.txt", "fasta")
staph[1:3]

##   A DNAStringSet instance of length 3
##     width seq                                          names               
## [1]  1362 ATGTCGGAAAAAGAAATTTGG...AAGAAATAAGAAATGTATAA lcl|NC_002952.2_c...
## [2]  1134 ATGATGGAATTCACTATTAAA...TACCAATCAGAACTTACTAA lcl|NC_002952.2_c...
## [3]   246 GTGATTATTTTGGTTCAAGAA...TTCATCAAGGTGAACAATGA lcl|NC_002952.2_c...

This shows the first 3 sequences in the set. If you type in ‘staph’ it will print out all the sequences. Now, suppose we want to find the average GC content in the sequence windows of width 100 bases.

letterFrequency(staph[[1]], letters="ACGT", OR=0)

##   A   C   G   T 
## 522 219 229 392

GCstaph = data.frame(ID=names(staph), GC=rowSums(alphabetFrequency(staph)[, c(2,3)]/width(staph))*100)

Now we would like to display the GC content in a sliding window.

window = 100
# compute the GC content in a sliding window (as a fraction) for a sequence no. 364
gc = rowSums(letterFrequencyInSlidingView(staph[[364]], window, c("G", "C")))/window
plot(gc, type = 'l')

Now, we would like to add a smoothing line to observe the overall trends.

plot(1:length(gc), gc)
lines(lowess(x = 1:length(gc), y= gc, f = 0.10), col = 12, lwd = 2)

原文链接：

https://web.stanford.edu/class/bios221/labs/biostrings/lab_1_biostrings.html

最后编辑于 ：
©著作权归作者所有,转载或内容合作请联系作者
  • 人面猴
    序言：七十年代末，一起剥皮案震惊了整个滨河市，随后出现的几起案子，更是在滨河造成了极大的恐慌，老刑警刘岩，带你破解...
    沈念sama阅读 212,383评论 6赞 493
  • 死咒
    序言：滨河连续发生了三起死亡事件，死亡现场离奇诡异，居然都是意外死亡，警方通过查阅死者的电脑和手机，发现死者居然都...
    沈念sama阅读 90,522评论 3赞 385
  • 救了他两次的神仙让他今天三更去死
    文/潘晓璐 我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
    开封第一讲书人阅读 157,852评论 0赞 348
  • 道士缉凶录：失踪的卖姜人
    文/不坏的土叔 我叫张陵，是天一观的道长。 经常有香客问我，道长，这世上最难降的妖魔是什么？ 我笑而不...
    开封第一讲书人阅读 56,621评论 1赞 284
  • 港岛之恋（遗憾婚礼）
    正文 为了忘掉前任，我火速办了婚礼，结果婚礼上，老公的妹妹穿的比我还像新娘。我一直安慰自己，他们只是感情好，可当我...
    茶点故事阅读 65,741评论 6赞 386
  • 恶毒庶女顶嫁案：这布局不是一般人想出来的
    文/花漫 我一把揭开白布。 她就那样静静地躺着，像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上，一...
    开封第一讲书人阅读 49,929评论 1赞 290
  • 城市分裂传说
    那天，我揣着相机与录音，去河边找鬼。 笑死，一个胖子当着我的面吹牛，可吹牛的内容都是我干的。 我是一名探鬼主播，决...
    沈念sama阅读 39,076评论 3赞 410
  • 双鸳鸯连环套：你想象不到人心有多黑
    文/苍兰香墨 我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
    开封第一讲书人阅读 37,803评论 0赞 268
  • 万荣杀人案实录
    序言：老挝万荣一对情侣失踪，失踪者是张志新（化名）和其女友刘颖，没想到半个月后，有当地人在树林里发现了一具尸体，经...
    沈念sama阅读 44,265评论 1赞 303
  • 护林员之死
    正文 独居荒郊野岭守林人离奇死亡，尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,582评论 2赞 327
  • 白月光启示录
    正文 我和宋清朗相恋三年，在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,716评论 1赞 341
  • 活死人
    序言：一个原本活蹦乱跳的男人离奇死亡，死状恐怖，灵堂内的尸体忽然破棺而出，到底是诈尸还是另有隐情，我是刑警宁泽，带...
    沈念sama阅读 34,395评论 4赞 333
  • 日本核电站爆炸内幕
    正文 年R本政府宣布，位于F岛的核电站，受9级特大地震影响，放射性物质发生泄漏。R本人自食恶果不足惜，却给世界环境...
    茶点故事阅读 40,039评论 3赞 316
  • 男人毒药：我在死后第九天来索命
    文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹，春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,798评论 0赞 21
  • 一桩弑父案，背后竟有这般阴谋
    文/苍兰香墨 我抬头看了看天上的太阳。三九已至，却和暖如春，着一层夹袄步出监牢的瞬间，已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,027评论 1赞 266
  • 情欲美人皮
    我被黑心中介骗来泰国打工， 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留，地道东北人。 一个月前我还...
    沈念sama阅读 46,488评论 2赞 361
  • 代替公主和亲
    正文 我出身青楼，却偏偏与公主长得像，于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子，可洞房花烛夜当晚...
    茶点故事阅读 43,612评论 2赞 350

推荐阅读更多精彩内容

  • Spring Cloud
    Spring Cloud为开发人员提供了快速构建分布式系统中一些常见模式的工具（例如配置管理，服务发现，断路器，智...
    卡卡罗2017阅读 134,637评论 18赞 139
  • CADisplayLink定时器
    CADisPlayLink定时器 自定义view 绘制图片加载图片drawAtPoint: 添加NSTimer定时...
    彼岸的黑色曼陀罗阅读 502评论 0赞 0
  • 春日初雨
    细雨润新韭，微风抚细柳。春来干旱农家忧，万木盼涓流。虽无酣畅意，滴水慰心头。阳春胜景何处求，碧水映芳洲。
    半是瞎忙半是闲阅读 334评论 1赞 4