R，如何在apply函数中添加unlist (和其他)函数？

Question

上下文:我正在处理基因和本体，但我的问题与R脚本编写有关。

我想用从数据库中提取的相应术语替换我的数据框中的GO:ID。

所以，这是我的源数据框。它是一个基因列表(v1)和相关的GO:ID (v2)：

>gene_list_and_Go_ID

         V1                                                V2
2563  Gene1    GO:0003871, GO:0008270, GO:0008652, GO:0009086
2580  Gene2    GO:0003871, GO:0008270, GO:0008652, GO:0009086
12686 Gene3    GO:0003871, GO:0008270, GO:0008652, GO:0009086
14523 Gene4                GO:0004489, GO:0006555, GO:0055114

对数据库的请求看起来非常简单：

>select(GO.db, my_Go_id, "TERM", "GOID")

我尝试了以下几行代码来手动访问数据库，它工作得很好：

>my_Go_id = unlist(strsplit("GO:0008270, GO:0008652, GO:0009086", split=", "))
>select(GO.db, my_Go_id, "TERM", "GOID")

    GOID                                     TERM
1 GO:0008270                         zinc ion binding
2 GO:0008652 cellular amino acid biosynthetic process
3 GO:0009086          methionine biosynthetic process

我的问题是:我不能让这个过程自动化！准确地说，对于每一行，我需要将数据框中第n°2列的每个字符串转换为一个向量，以便查询数据库。然后我需要用请求的结果替换数据框中的GO:ID。

1/首先，我尝试将"unlist“函数放在"apply”函数中，以应用到我的数据框中：

apply(gene_list_and_Go_ID,1,unlist(strsplit(gene_list_and_Go_ID[,2], split=", ")))

我得到了：

Error in strsplit(ok, split = ", ") : non-character argument

2/然后，我可以将请求也添加到apply函数内的数据库中吗？

3/最后，我不知道如何将n°2列替换为数据库请求的结果。

这是一个例外的“理想”结果的示例：

         V1                                                              V2
2563  Gene1        GOID                                                TERM
                   1 GO:0008270                            zinc ion binding
                   2 GO:0008652    cellular amino acid biosynthetic process
                   3 GO:0009086             methionine biosynthetic process

谢谢你的帮助。

Answer 1

最直接的问题是，您没有像以前那样调用apply。与您编写函数调用不同，您需要提供一个函数，该函数将通过其第一个参数依次获取数组的每一行/每一列作为输入，因此您需要类似于(未测试，因为您不需要它)的内容。

apply(gene_list_and_Go_ID, 1,
      function(x) { unlist(strsplit(x[2], split=", "))})

但是，请注意，您不需要整行的gene_list_and_Go_ID。您想要的是处理gene_list_and_Go_ID的V2列。现在还要注意，strsplit是矢量化的，这意味着如果你向它传递一个长度大于1的向量，它将对该向量的每个元素起作用，就像你依次对该向量的每个元素重复调用strsplit()一样。

请考虑以下几点：

df <- data.frame(V1 = paste0("Gene", 1:4),
                 V2 = c("GO:0003871, GO:0008270, GO:0008652, GO:0009086",
                        "GO:0003871, GO:0008270, GO:0008652, GO:0009086",
                        "GO:0003871, GO:0008270, GO:0008652, GO:0009086",
                        "GO:0004489, GO:0006555, GO:0055114"),
                 stringsAsFactors = FALSE)

请注意，V2需要是一个字符向量-这里我使用stringsAsFactors = FALSE来停止自动强制character -> factor，但您也可以在下面的代码中使用as.character(V2)，其中我有V2。

要在V2的每个元素上运行strsplit，我们可以使用：

spl <- with(df, strsplit(V2, ", "))

这让我们

> spl
[[1]]
[1] "GO:0003871" "GO:0008270" "GO:0008652" "GO:0009086"

[[2]]
[1] "GO:0003871" "GO:0008270" "GO:0008652" "GO:0009086"

[[3]]
[1] "GO:0003871" "GO:0008270" "GO:0008652" "GO:0009086"

[[4]]
[1] "GO:0004489" "GO:0006555" "GO:0055114"

从select调用的外观来看，这是一次成功的交易-您需要为df (您的gene_list_and_Go_ID)中的所有行调用它。如果是这样，只需迭代strsplit()返回的列表元素

names(spl) <- with(df, as.character(V1))
term <- lapply(spl, function(x, db) select(db, x, "TERM", "GOID"),
               db = GO.db)

这将返回一个列表，其中每个元素都是针对df的单个基因/行调用select的结果。

把它放回原处，你可能需要：

out <- cbind.data.frame(Gene = rep(names(spl), each = lengths(spl)),
                        do.call("rbind", term))

但是我不能测试最后几个部分，因为我不知道select()是从哪里来的，也不知道是什么创造了GO.db

Answer 2

好的，根据Gavin的回答和他的帮助，我得到了正确的脚本。但是有一个非常重要的步骤阻碍了我:将我的"gene_list_and_Go_ID“数据框第二列从因子转换为字符。我这样做是为了跳过"strsplit“函数中的”非字符参数“错误。这篇文章帮助了我：LINK

所以这是我的起始数据框：

>gene_list_and_Go_ID

         V1                                                V2
2563  Gene1    GO:0003871, GO:0008270, GO:0008652, GO:0009086
2580  Gene2    GO:0003871, GO:0008270, GO:0008652, GO:0009086
12686 Gene3    GO:0003871, GO:0008270, GO:0008652, GO:0009086
14523 Gene4                GO:0004489, GO:0006555, GO:0055114

接下来是脚本。第一个新行看起来非常有用(将我的df从因子转换为字符)：

>gene_list_and_Go_ID <- data.frame(lapply(gene_list_and_Go_ID, as.character), stringsAsFactors=FALSE)

接下来：

>V_ID <- with(gene_list_and_Go_ID, strsplit(V2, ", "))
>names(V_ID) <- with(gene_list_and_Go_ID, as.character(V1))
>terms <- lapply(V_ID, function(x, db) select(db, x, "TERM", "GOID"), db = GO.db)

最终输出是完美的:-)：

> terms
$Gene1
        GOID                        TERM
1 GO:0003871 S-methyltransferase activity
2 GO:0008270 zinc ion binding
3 GO:0008652 cellular amino acid biosynthetic process
4 GO:0009086 methionine biosynthetic process

$Gene2
... etc ...
... etc ...

注意，我跳过了最后一个Gavin的建议：

out <- cbind.data.frame(Gene = rep(names(spl), each = lengths(spl)),
                    do.call("rbind", term))

这可能是一个非常优雅的脚本，但我很难理解它的所有功能，下面是它生成的内容：

Error in data.frame(..., check.names = FALSE) : 
  arguments imply differing number of rows: 16, 15
In addition: Warning message:
In rep(names(V_ID), each = lengths(V_ID)) :
  first element used of 'each' argument

THX