将同义词链接到公共标识符

Question

我有一个R数据(基因信息，~20000个条目)，看起来像这样，一旦简化：

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

一个基因有着不同的名称(同义词)，它们由“dbXref”和一个字段(数据库标识符)分隔。我想创建一个新的数据框架，如下所示：

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

基本上，同义词是键和dbXref字段my值；我希望能够搜索同义词中的任何名称，然后使用它的dbXref查找另一个更大的数据。

做这件事最好的方法是什么？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率。sapply应该比for循环慢，然后我在strsplit创建的列表上使用lapply。该环境用作键值字典。更糟的是我没有按要求获得数据.

Answer 1

如果我正确理解了您的问题，您可以从我的"splitstackshape“包中尝试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