r - 将同义词链接到通用标识符

Question

我有一个 R 数据框(基因信息，约 20000 个条目)，简化后如下所示:

> head(alias_db)
   Synonyms               dbXref   
1  PA1m|A2m|AI893533|MAM  ENSMUSG00000030359
2  AA-NAT|Nat-2|Nat4|Snat ENSMUSG00000020804

一个基因有不同的名称(同义词)，用“|”分隔和 dbXref 字段(数据库标识符)。我想创建一个如下所示的新数据框:

  Names dbXref
1 Pzp   ENSMUSG00000030359
2 A1m   ENSMUSG00000030359
...
4 MAM   ENSMUSG00000030359 
5 Aanat ENSMUSG00000020804
...

基本上，同义词是键，dbXref 字段是我的值；我希望能够搜索同义词中的任何名称，然后使用其 dbXref 查找另一个更大的数据框。

执行此操作的最佳方法是什么？我在想这个:

alias_db$SplitSynonyms=strsplit(alias_db$Synonyms,"|",fixed=TRUE)
geneNames<-new.env()
for(i in seq(nrow(alias_db)))
  {
    lapply(alias_db$SplitSynonyms[[i]],function(x) geneNames[[ x ]] <- alias_db$Ensembl[i])
  }

我不知道这是否真的有效。 sapply 应该比 for 循环慢，然后我在 strsplit 创建的列表上使用 lapply。环境用作键值字典。 更糟糕的是我没有按要求获得数据帧......

Answer 1

如果我正确理解你的问题，你可以尝试我的“splitstackshape”包中的cSplit，如下所示:

library(splitstackshape)
cSplit(alias_db, "Synonyms", "|", "long")
#    Synonyms             dbXref
# 1:     PA1m ENSMUSG00000030359
# 2:      A2m ENSMUSG00000030359
# 3: AI893533 ENSMUSG00000030359
# 4:      MAM ENSMUSG00000030359
# 5:   AA-NAT ENSMUSG00000020804
# 6:    Nat-2 ENSMUSG00000020804
# 7:     Nat4 ENSMUSG00000020804
# 8:     Snat ENSMUSG00000020804