GO富集分析TXT文件无法被R读取的问题求助

问题背景 #

从GO平台下载的3个基因富集（BP/CC/MF）TXT文件，无法通过R的read.table正常读取，推测是文件列数不一致导致。尝试skip=10+fill=TRUE参数无效，转CSV后分类项被拆分为多列，对XML/JSON格式不熟悉，需可行读取方案，同时确认是否需要手动修改文件。

解决方案 #

1. 用data.table::fread自动兼容不规则格式 #

fread对非标准文本文件的适配性远优于基础的read.table，能自动处理列数差异、分隔符识别问题：

# 先安装data.table包（如果未安装）
# install.packages("data.table")
library(data.table)
BP_results <- fread("Data/analysisBP.txt", skip = 10, fill = TRUE, header = TRUE, sep = "\t")

2. readLines手动预处理行数据 #

如果fread仍有问题，可先读取所有行，统一格式后再转数据框：

# 读取全部行，跳过前10行冗余内容
lines <- readLines("Data/analysisBP.txt")[-c(1:10)]
# 按制表符拆分每行
split_rows <- strsplit(lines, "\t")
# 补全短行的空列，确保所有行列数一致
max_col_count <- max(sapply(split_rows, length))
standardized_rows <- lapply(split_rows, function(row) c(row, rep("", max_col_count - length(row))))
# 转为数据框并设置列名
BP_results <- as.data.frame(do.call(rbind, standardized_rows), stringsAsFactors = FALSE)
# 从原文件提取列名（假设第10行是列名行）
col_names <- strsplit(readLines("Data/analysisBP.txt")[10], "\t")[[1]]
colnames(BP_results) <- col_names

3. 批量手动修正文件（极简操作） #

若上述代码仍无效，无需逐行修改，用Notepad++等编辑器批量处理：

• 打开文件删除前10行冗余内容；
• 找到列数异常的列（通常是带空格的分类项），用正则表达式给该列内容加双引号（比如匹配GO:\d+ .+格式的内容，替换为"$0"）；
• 用read.table读取时指定引号参数：

BP_results <- read.table("Data/analysisBP.txt", header = TRUE, sep = "\t", stringsAsFactors = FALSE, quote = "\"", fill = TRUE)

4. 更换下载格式 #

回到GO平台检查是否有**TSV（制表符分隔值）**下载选项，TSV是规范的表格格式，R读取时几乎不会出现列数问题，优先选择该格式。

内容的提问来源于stack exchange，提问作者Julieta González