Question

我正在尝试过滤RNA-seq数据分析的输出。我想在至少一个实验条件（数据帧）中生成符合指定标准的基因列表。

例如，数据输出为.csv，所以我在整个目录中读取，如下所示。

readList = list.files("~/Path/To/File/", pattern = "*.csv")
files = lapply(readList, read.csv, row.names = 1)   
#row.names = 1 sets rownames as gene names

这读取3个.csv文件，A，B和C.数据看起来像这样

A = files[[1]]
B = files[[2]]
C = files[[3]]
head(A)
            logFC    logCPM       LR            PValue           FDR
YER037W -1.943616  6.294092 34.30835 0.000000004703583 0.00002276064
YJL184W -1.771273  5.840774 31.97088 0.000000015650144 0.00003786552
YFR053C  1.990102 10.107793 30.55576 0.000000032440747 0.00005232692
YDR342C  2.096877  6.534761 28.08635 0.000000116021451 0.00014035695
YGL062W  1.649138  8.940714 23.32097 0.000001370968319 0.00132682314
YFR044C  1.992810  9.302504 22.91553 0.000001692786468 0.00132736130

然后我尝试过滤所有这些以生成基因列表（rownames），其中必须在至少一个数据集中满足两个条件。

1.logFC＆gt; 1或者＆lt; -1

2.FDR＆lt; 0.05

所以我循环遍历数据框，如此

genesKeep = ""
for (i in 1:length(files) {
F = data.frame(files[i])
sigGenes = rownames(F[F$FDR<0.05 & abs(F$logFC>1), ])
genesKeep = append(genesKeep, values = sigGenes)

}

这给了我一个基因列表，但是，当我根据数据检查这些基因时，一些列出的基因没有通过这些阈值，而其他通过这些阈值的基因不在列表中。

e.g。

df = cbind(A,B,C)
genesKeep = unique(genesKeep)
logicTest = rownames(df) %in% genesKeep
dfLogic = cbind(df, logicTest)

虽然大多数基因确实通过了我设定的标准，但我发现一些基因存在一些差异。例如

          A.logFC    A.FDR     B.logFC    B.FDR     C.logFC    C.FDR   logicTest
YGR181W -0.8050325 0.1462688 -0.6834184 0.2162317 -1.1923744 0.04049870 FALSE
YOR185C  0.8321432 0.1462919  0.7401477 0.2191413 -0.9616989 0.04098177 TRUE

第一个基因（YGR181W）通过条件C中的标准，其中logFC <1。 -1和FDR＆lt; 0.05。然而，该基因未在geneKeep列表中报道。

相反，第二个基因（YOR185C）在任何条件下都没有通过这些标准，但该基因存在于基因保护列表中。

我不确定我在哪里出错，但如果有人有任何想法，我们将非常感激。

感谢。

Answer 1

按照akash87的建议使用merge解决了这个问题。

结果cbind导致无法正确分配rownames。

Answer 2

我不完全确定你想要的输出是什么，但是可以简化一下并使用dplyr库一次过滤所有输出，假设你的数据格式是一致的。以数据的某些修改版本为例：

A <- structure(list(gene = structure(c(2L, 6L, 4L, 1L, 5L, 3L), .Label = c("YDR342C", 
"YER037W", "YFR044C", "YFR053C", "YGL062W", "YJL184W"), class = "factor"), 
    logFC = c(-1.943616, -1.771273, 0, 2.096877, 1.649138, 1.99281
    ), logCPM = c(6.294092, 5.840774, 10.107793, 6.534761, 8.940714, 
    9.302504), LR = c(34.30835, 31.97088, 30.55576, 28.08635, 
    23.32097, 22.91553), PValue = c(4.703583e-09, 1.5650144e-08, 
    3.2440747e-08, 1.16021451e-07, 1.370968319e-06, 1.692786468e-06
    ), FDR = c(2.276064e-05, 3.786552e-05, 5.232692e-05, 0.00014035695, 
    0.00132682314, 0.06)), .Names = c("gene", "logFC", "logCPM", 
"LR", "PValue", "FDR"), class = "data.frame", row.names = c(NA, 
-6L))

B <- structure(list(gene = structure(c(2L, 6L, 4L, 1L, 5L, 3L), .Label = c("YDR342C", 
"YER037W", "YFR044C", "YFR053C", "YGL062W", "YJL184W"), class = "factor"), 
    logFC = c(-0.4, -0.3, 0, 2.096877, 1.649138, 1.99281), logCPM = c(6.294092, 
    5.840774, 10.107793, 6.534761, 8.940714, 9.302504), LR = c(34.30835, 
    31.97088, 30.55576, 28.08635, 23.32097, 22.91553), PValue = c(4.703583e-09, 
    1.5650144e-08, 3.2440747e-08, 1.16021451e-07, 1.370968319e-06, 
    1.692786468e-06), FDR = c(2.276064e-05, 3.786552e-05, 5.232692e-05, 
    0.00014035695, 0.1, 0.06)), .Names = c("gene", "logFC", "logCPM", 
"LR", "PValue", "FDR"), class = "data.frame", row.names = c(NA, 
-6L))

使用rbind创建一个可以使用的数据框：

AB<- rbind(A,B)

然后根据您的标准过滤整件事。请注意，可能会出现重复项，因此您可以使用distinct仅返回符合条件的唯一基因：

filter(AB, logFC < -1 | logFC > 1, FDR < 0.05) %>%
  distinct(gene)

     gene
1 YER037W
2 YJL184W
3 YDR342C
4 YGL062W

或者，保留这些基因的所有行：

filter(AB, logFC < -1 | logFC > 1, FDR < 0.05) %>%
  distinct(gene, .keep_all = TRUE)

     gene     logFC   logCPM       LR       PValue          FDR
1 YER037W -1.943616 6.294092 34.30835 4.703583e-09 2.276064e-05
2 YJL184W -1.771273 5.840774 31.97088 1.565014e-08 3.786552e-05
3 YDR342C  2.096877 6.534761 28.08635 1.160215e-07 1.403570e-04
4 YGL062W  1.649138 8.940714 23.32097 1.370968e-06 1.326823e-03

R数据帧过滤器不工作

2 个答案: