问题描述
预先感谢您的帮助。
我正在尝试重新编码包含以 VCF 格式编码的基因型的遗传数据库。对于上下文,VCF 格式以这种格式编码:'0|0:0,0:0:1,0'。我最感兴趣的是前两个(/三个,如果包括 |)字符:0|0:0,0。如果这些是 0|0,则表示此人有两个显性等位基因。如果这些是 1|1,则为两个隐性等位基因。 1|0 和 0|1 是两者的混合。
我正在处理一个名为“gg”的数据框,它包含大约 120 列(每个 SNP 一个)和 1500 行(研究中的每个主题一个)。
我正在尝试将 SNP 从其当前格式重新编码为更易于分析的格式:
我尝试了几种方法。我最近尝试的事情已经很接近了。我尝试了以下方法:
gg[grep("0|0",gg)] <- "0"
奇怪的是,这使得整个数据库的所有值都为 0。我认为这是因为它将 0|0 解释为“如果该值包含零或零,则重新编码为零”(并且所有值都至少包含一个零)。
我想传达的是,如果值以 EXACT 字符 0|0 开头,则重新编码为 1,如果以 0|1 或 1|0 的 EXACT 字符开头,则重新编码为 1,如果以 0|1 或 1|0 开头,则重新编码为 2 EXACT 字符为 1|1
解决方法
试试下面的代码
colSums(list2DF(strsplit(substr(gsub("\\|","",gg),1,2),""))=="1")
给出
0 1 1 2
虚拟数据
gg <- c('0|0:0,0:0:1,0','10:0,'0|1:0,'11:0,0')
,
稍加修改的选项是
rowSums(read.csv(text = sub("^(\\d)\\|?(\\d).*","\\1,\\2",header = FALSE) == 1)
#[1] 0 1 1 2
数据
gg <- c('0|0:0,0')