检查指定变量中的“字符串”表达式是否包含在其他几个变量中

Question

这是一个非常基本的问题……我确定它写在这里的某个地方……我正在尝试创建一个新变量，告诉我三人组中是否存在孟德尔违反（遗传学数据）

例如（对于那些不了解遗传学的人）： 对于一个家庭（每行一个），我将父亲、母亲和孩子的基因型表示为 A/G、G/A、G/G（作为单独的变量）。我想创建一个新的 0/1 或 False/True 变量，告诉我 Child 的等位基因 1 是否在母亲基因型的等位基因或父亲基因型的任一等位基因中可见。等位基因 2 也是如此。

我尝试在 R 中按如下方式使用正则表达式：

vcf_GT$MVLR <- regexpr(c(sapply(strsplit(as.character(vcf_GT[,10]),"/"),function(x) x[1])), 
(sapply(strsplit(as.character(vcf_GT[,10]),"/"),function(x) x[2])), 
(c(c(sapply(strsplit(as.character(vcf_GT[,9]),"/"),function(x) x[1])), 
(sapply(strsplit(as.character(vcf_GT[,9]),"/"),function(x) x[2])),
c(sapply(strsplit(as.character(vcf_GT[,8]),"/"),function(x) x[1])), 
(sapply(strsplit(as.character(vcf_GT[,8]),"/"),function(x) x[2]))))) > 0

第 10 列代表孩子的基因型，第 9 列和第 8 列分别代表母亲和父亲的基因型。这很乏味，我可能在这里忘记了括号。

必须有一种更简单的方法来与父母检查孩子的基因型。

提前致谢！

附：如果我说不通 - 我会尝试添加更多细节。

编辑：虽然我的代码实际上是一大行，但我已按要求添加了返回值，因此更易于阅读（尽管如此，这有点难以理解 :)）

Answer 1

首先，如果您发现自己一遍又一遍地做同样的事情，请编写一个函数。所以不是

c(sapply(strsplit(as.character(vcf_GT[,10]),"/"),function(x) x[1]))... 

写一个小包装：

myfun <- function(var1, var2, dat=vcf_GT) {
    sapply(strsplit(as.character(dat[,var1], '/'),
           function(x) x[var2])
}

现在你在上面粘贴的东西变成了这样：

regexpr(c(myfun(10, 1),
          myfun(10, 2)...

不过，我认为有一个更简单的方法...

为了解决这样的（或任何类型的）问题，我通常将其分解成块。从您给出的单个“行”开始并编写一些执行您想要的功能（对不起，如果我弄错了，但那是令人困惑的代码！）...

dad = 'A/G'
mom = 'G/A'
kid = 'G/G'

splt <- function(x) unlist(strsplit(x, '/'))
comp <- function(x, y) c(x[1] %in% y, x[2] %in% y)

comp(splt(kid), splt(dad))

从那里你是一个 apply 远离在 data.frame 上执行此操作：

## make some data
possible <- expand.grid(c('C', 'T', 'A', 'G'),
                        c('C', 'T', 'A', 'G'))

gen <- function(n, pos=possible) {
    res=possible[sample(1:nrow(possible), n, replace=TRUE),]
    return (paste(res[,1], res[,2], sep='/'))
}

n <- 10
dat <- data.frame(mom=gen(n), dad=gen(n), kid=gen(n))

# put both functions together
splt_and_comp <- function(x, y) {
    x <- splt(x)
    y <- splt(y)

    comp(x, y)
}

# you could do this with `apply` as well...
mapply(splt_and_comp, dat$kid, dat$mom)

---

FWIW，您当前的代码正在调用 regexpr，并带有以下三个参数。它可以很好地工作，但无法阅读，并且到处都有额外的括号：

first_arg <- c(sapply(strsplit(as.character(vcf_GT[,10]), "/"),
                      function(x) x[1]))

second_arg <- (sapply(strsplit(as.character(vcf_GT[, 10]), "/"),
                      function(x) x[2]))

third_arg <- (c(c(sapply(strsplit(as.character(vcf_GT[,9]),"/"),
                           function(x) x[1])), 
                  (sapply(strsplit(as.character(vcf_GT[,9]),"/"),
                          function(x) x[2])),
                  c(sapply(strsplit(as.character(vcf_GT[,8]),"/"),
                           function(x) x[1])), 
                  (sapply(strsplit(as.character(vcf_GT[,8]),"/"),
                          function(x) x[2]))))

Answer 2

如果您只想查看与母亲或父亲匹配的等位基因，则不一定需要正则表达式才能做到这一点。您可以使用%in% 运算符（这也称为match() 函数，但我更喜欢这种语法。

让我们设置基因型数据框。请注意，最后一个“家庭”是孩子与母亲有不同等位基因的家庭。

x <- data.frame(list(mom = c("A/G", "C/C", "C/A"), 
                     dad = c("G/A", "T/T", "A/A"), 
                     child = c("G/G", "T/T", "A/T")
                    ), stringsAsFactors = FALSE)

现在，我们可以设置函数来检查孩子的等位基因。您必须将 c(1,2,3) 更改为 c(8,9,10) 才能在您的数据集上工作，但它应该可以工作。这是我们将在数据框的每一行上使用的函数。它将拆分家庭的所有基因型，将孩子与母亲和父亲进行比较，然后确定孩子的基因型是否与父母中的任何一方匹配。

check_child_allele <- function(x) {
    fam <- strsplit(as.character(x[c(1, 2, 3)]), "/")
    names(fam) <- c("mom", "dad", "child")
    mom_query <- fam[["child"]] %in% fam[["mom"]]
    dad_query <- fam[["child"]] %in% fam[["dad"]]
    fam_matrix <- matrix(c(mom = mom_query, dad = dad_query), nrow = 2)
    child_match_parents <- rowSums(fam_matrix)
    child_geno <- ifelse(child_match_parents < 1, FALSE, TRUE)
    return(child_geno)
}

检查示例。

apply(x, 1, check_child_allele)

##      [,1] [,2]  [,3]
## [1,] TRUE TRUE  TRUE
## [2,] TRUE TRUE FALSE

更改数据框以表示与父母都不匹配的孩子。

y <- x
y[2, 3] <- "A/G"  # Adding a child that has no alleles in common with parents
apply(y, 1, check_child_allele)

##      [,1]  [,2]  [,3]
## [1,] TRUE FALSE  TRUE
## [2,] TRUE FALSE FALSE

可能与您的工作无关的旁注：

您可能担心的一件事是，这将检查等位基因是否存在于父母双方中，但不会检查父母双方是否确实是可能的父母。第一个数据框中的第二组基因型是一个例子，因为孩子是“T/T”，但母亲是“C/C”。

希望有帮助！