合并具有相同内容的行

Question

我正在处理一个包含遗传变异信息的tsv文件。由于此信息来自多个数据库，因此我的文件包含重复数据。在我的例子中，数据库是"dbSNP"，它包含各种变体(良性和致病性的，其名称以“rs”开头)和"HGMD-PUBLIC“(在我的例子中，仅包含致病性的变体，其名称以”CM“开头)。

以下是一些示例数据：

variant_name <- c("rs1320425680", "rs1217211965", "rs1257939387", "rs74315401", "CM890102")
variant_source <- c("dbSNP", "dbSNP", "dbSNP", "dbSNP", "HGMD_PUBLIC")
chromosome <- c(20, 20, 20, 20, 20)
position_start <- c(4699513, 4699516, 4699520, 4699525, 4699525)
position_end <- c(4699513, 4699516, 4699520, 4699525, 4699525)
ancestral_allele <- c("A", "G", "C", "C", "C")
clinical_significance <- c(NA, NA, NA, "pathogenic", NA)
variant_alleles <- c("A/C", "G/A/T", "C/G", "C/T", "HGMD_MUTATION")

example <- tibble(variant_name, variant_source, chromosome, position_start, position_end, ancestral_allele, clinical_significance, variant_alleles)

在这里，第4行和第5行实际上是来自两个不同数据库的相同变体的副本。对我来说重要的是要知道这两个变量都出现了。

我想要做的是将数据扩展为“宽”格式，增加两个新列：dbSNP和HGMD_PUBLIC (目前位于variant_source中)。这些列将包含最初在列variant_name中找到的条目，如下所示：

dbSNP <- c("rs1320425680", "rs1217211965", "rs1257939387", "rs74315401")
HGMD_PUBLIC <- c(NA, NA, NA, "CM890102")
chromosome <- c(20, 20, 20, 20)
position_start <- c(4699513, 4699516, 4699520, 4699525)
position_end <- c(4699513, 4699516, 4699520, 4699525)
ancestral_allele <- c("A", "G", "C", "C")
clinical_significance <- c(NA, NA, NA, "pathogenic")
variant_alleles <- c("A/C", "G/A/T", "C/G", "C/T")

result <- tibble(dbSNP, HGMD_PUBLIC, chromosome, position_start, position_end, ancestral_allele, clinical_significance, variant_alleles)

如您所见，第5行不再存在，但是variant_name已经移到了dbSNP或HGMD_PUBLIC列。也许可以使用spread函数来实现上述功能，使重排以名称为条件，但我不知道如何做到这一点。

Answer 1

下面是一个使用dcase + fcoalesce的data.table选项

dcast(
  setDT(example),
  ... ~ variant_source,
  value.var = "variant_name"
)[,
  lapply(.SD, function(x) fcoalesce(as.list(x))),
  by = chromosome:ancestral_allele
]

这给了我们

   chromosome position_start position_end ancestral_allele
1:         20        4699513      4699513                A
2:         20        4699516      4699516                G
3:         20        4699520      4699520                C
4:         20        4699525      4699525                C
   clinical_significance variant_alleles HGMD_PUBLIC        dbSNP
1:                  <NA>             A/C        <NA> rs1320425680
2:                  <NA>           G/A/T        <NA> rs1217211965
3:                  <NA>             C/G        <NA> rs1257939387
4:            pathogenic   HGMD_MUTATION    CM890102   rs74315401