在基因表達資料中找到最接近的匹配

我正在分析一個資料集，需要在 2 個資料版本之間找到匹配的樣本。它們（應該）包含相同的運算式資料，但它們具有不同的樣本識別符號。假設第一個資料框如下所示：

   gene sample expression
1     a      a          1
2     a      b          2
3     a      c          3
4     a      d          4
5     a      e          5
6     a      f          6
7     a      g          7
8     a      h          8
9     a      i          9
10    a      j         10
11    a      k         11
12    a      l         12
13    a      m         13
14    a      n         14

我為一個基因制作了資料框，但你可以想象這是一個包含約 2 萬個基因的大型資料集。我需要做的是在基因表達中找到最接近的匹配，這樣我就知道哪些樣本對應。第二個資料框可能如下所示：

   gene sample expression
1     a      z        1.5
2     a      y        2.5
3     a      x          3
4     a      w        4.5
5     a      v        5.7
6     a      u        6.2
7     a      t        7.8
8     a      s        8.1
9     a      r        9.8
10    a      q       10.5
11    a      p         11
12    a      o         12
13    a      2       13.3
14    a      4       14.4

我需要做的是撰寫一個函式（或類似的東西），嘗試盡可能地匹配資料框中基因的表達（對于所有基因），并報告具有最接近匹配的樣本識別符號。我對 R 很陌生，可以使用一些幫助。

我希望輸出看起來像這樣::

   gene sample expression sample2
1     a      z          1       z
2     a      y          2       y
3     a      x          3       x
4     a      w          4       w
5     a      v          5       v
6     a      u          6       u
7     a      t          7       t
8     a      s          8       s
9     a      r          9       r
10    a      q         10       q
11    a      p         11       p
12    a      o         12       o
13    a      2         13       2
14    a      4         14       4 

每個樣本有一個額外的列，用于區分所有基因的基因表達中最接近的匹配。但是必須基于所有基因而不是一個基因創建額外的列。

uj5u.com熱心網友回復：

這里有兩個選項。在您的示例中，看起來總是有整數匹配，因此您可以按整數加入。或者，您可以嘗試提取最接近的數字。我使用floor它是因為看起來您希望 1.5 加入 1 而不是 2。

library(tidyverse)


#extract closest whole number
df1 |>
  mutate(sample2 = map_chr(expression, 
                           \(x)df2$sample[which.min(abs(x - floor(df2$expression)))]))
#> # A tibble: 14 x 4
#>    gene  sample expression sample2
#>    <chr> <chr>       <dbl> <chr>  
#>  1 a     a               1 z      
#>  2 a     b               2 y      
#>  3 a     c               3 x      
#>  4 a     d               4 w      
#>  5 a     e               5 v      
#>  6 a     f               6 u      
#>  7 a     g               7 t      
#>  8 a     h               8 s      
#>  9 a     i               9 r      
#> 10 a     j              10 q      
#> 11 a     k              11 p      
#> 12 a     l              12 o      
#> 13 a     m              13 2      
#> 14 a     n              14 4

#join by whole number
left_join(df1, 
          df2 |>
            mutate(expression = as.numeric(gsub("^(.*)\\.\\d $", "\\1", expression))) |>
            select(sample2 = sample, expression),
          by = "expression")
#> # A tibble: 14 x 4
#>    gene  sample expression sample2
#>    <chr> <chr>       <dbl> <chr>  
#>  1 a     a               1 z      
#>  2 a     b               2 y      
#>  3 a     c               3 x      
#>  4 a     d               4 w      
#>  5 a     e               5 v      
#>  6 a     f               6 u      
#>  7 a     g               7 t      
#>  8 a     h               8 s      
#>  9 a     i               9 r      
#> 10 a     j              10 q      
#> 11 a     k              11 p      
#> 12 a     l              12 o      
#> 13 a     m              13 2      
#> 14 a     n              14 4

標籤：r

上一篇：geom_text百分比標簽：使用facet_wrap或facet_grid時如何做到這一點？

下一篇：嵌套資料框后變數的平均值