我有一个基因数据集,我映射到一种蛋白质ID。然后,我尝试在另一个第二个数据集中找到这些蛋白质ID。第二个数据集在 11759454 行时非常大。我尝试通过合并或连接找到匹配的蛋白质 ID,例如:
testdf <- join(proteindf, genes) #or:
testdf <- merge(proteindf, genes, by.all='protein_id' , all.x=TRUE)
这些运行,但行顺序不合适,testdf
的大小增长到行数11775850。
我不确定如何解决这个问题,我有生物学背景,并且尝试运行 sql 版本的合并,但这无限期运行而没有完成。
我无法提供完整的数据,但通常数据集如下所示:
#gene dataset:
protein_id Gene
1 9606.ENSP00000378868 A1CF
2 9606.ENSP00000384794 A4GALT
3 9606.ENSP00000324842 AACS
4 9606.ENSP00000000233 ARF5
#proteindf:
protein_id protein_id1 coexpression experiments database
1 9606.ENSP00000000233 9606.ENSP00000272298 0 0 0
2 9606.ENSP00000000233 9606.ENSP00000253401 0 0 0
3 9606.ENSP00000000233 9606.ENSP00000401445 0 0 0
4 9606.ENSP00000000233 9606.ENSP00000418915 0 0 0
protein_id行可能有很多重复项,我认为这会导致问题。
预期产出:
protein_id Gene protein_id1 coexpression experiments database
1 9606.ENSP00000000233 ARF5 9606.ENSP00000272298 0 0 0
2 9606.ENSP00000000233 ARF5 9606.ENSP00000253401 0 0 0
3 9606.ENSP00000000233 ARF5 9606.ENSP00000401445 0 0 0
4 9606.ENSP00000000233 ARF5 9606.ENSP00000418915 0 0 0
接下来,我使用 merge(将基因的protein_id重命名为 protein_id1(创建另一个数据集,以获取"protein_id1"列的基因名称,这也给了我相同的11775850行。任何有助于理解这一点的帮助将不胜感激。
由于缺乏编码示例,目前尚不清楚问题到底是什么。
首先,by.all
应该是by
的。其次,你看到观察数量增加的原因只能是,gene
中的某些值protein_id
有几个匹配项(例如,id在基因数据集中不是唯一的(。
我们可以使用以下testdf[duplicated(testdf$protein_id),]
或
genes$growid <- seq_len(nrow(genes))
proteindf$prowid <- seq_len(nrow(proteindf))
mdf <- merge(proteindf, merge, by = 'protein_id', all.x = TRUE)
gids_dups <- duplicated(mdf$growid)
pids_dups <- duplicated(mdf$prowid)
#Gene duplicate rows
mdf[gids_dups, ]
#protein duplicate rows (should be the same)
mdf[pids_dups, ]
此问题的解决方案取决于您的数据集(如果确实存在问题(。