如何计算模式组合出现的频率？

Question

我正在尝试实现一种方法来计算本文先前描述的主题组合的频率 (https://www.nature.com/articles/ng.2870)。我是一名生物学家，并且是 R 语言的初学者，所以要完成看似相当简单的任务非常困难......

我有 2 个制表符分隔的数据框作为输入； dataframe1 包含所有主题组合的列表，如下所示：

MotifCombID Motif1  Motif2  Motif3
          1    Sp1     YY1     NFY
          2    Sp1     YY1    KLF5
          3    Sp1     YY1     ETS

Dataframe2 包含每个字符串的所有主题出现，如下所示：

StringID    Sp1 YY1 NFY  KLF5 ETS
       1      2   3   4     1   3
       2      0   1   0     2   0   
       3      0   0   2     1   5   
       4      1   0   1     0   0

我真正想做的是使用 df2 中的数据计算 df1 中列出的图案/图案组合（例如，组合 1：Sp1、YY1、NFY），用于 df1 中列出的所有组合。

所以我需要 1) 搜索 df1 中的主题名称是否与 df2 中的主题名称匹配；

2) 如果是，则检索所有列；

3) 将每一行中的值相乘，然后将所有值相加；

4) 返回该主题组合的“频率”（步骤 3 的结果）。

例如：

对于 MotifCombID 1 (Sp1, YY1, NFY) = (2*3*4)+(0*1*0)+(0*0*2)+(1*0*1) = 24

对于 MotifCombID 2 (Sp1, YY1, KLF5) = (2*3*1) + (0*1*2) + (0*0*1)+(1*0*0) = 6

对于 MotifCombID 3 (Sp1, YY1, ETS) = (2*3*3) + (0*1*0) + (0*0*5)+(1*0*0) = 18

等等……

这些数据帧相当大（df1：57155 x 3，df2：71 个图案 x 99583 个字符串），所以我想以一种计算效率高的方式来执行此操作。

非常感谢您提供的任何帮助或指导我从哪里开始！

Answer 1

由于您的数据是按行排列的，因此我将其转置以处理按列数据：

(dat2=data.frame(t(dat[-1])))
        X1   X2  X3
Motif1 Sp1  Sp1 Sp1
Motif2 YY1  YY1 YY1
Motif3 NFY KLF5 ETS
(dat3=data.frame(t(dat1[-1])))
     X1 X2 X3 X4
Sp1   2  0  0  1
YY1   3  1  0  0
NFY   4  0  2  1
KLF5  1  2  1  0
ETS   3  0  5  0

然后我写了一个计算组合的函数：

fun=function(x)sum(sapply(dat3[rownames(dat3)%in%x,],prod))
sapply(dat2,fun)
X1 X2 X3 
24  6 18