R语言：如何筛选仅含topological domain的RNAseq序列数据集？

问题背景 #

RNAseq分析后得到数据集，其中Sequence Name对应两种类型：topological domain和transmembrane region。需要筛选出仅包含topological domain的序列，移除同时存在两种类型的序列。

原代码尝试用dplyr::filter()筛选类型，但无法处理同一序列对应多类型的情况：

TMHMM_filter <- filter(TMHMM.df, TMHMM.df$Type %in% c("topological domain", "transmembrane domain")) 
head(TMHMM_filter)

这段代码仅移除了transmembrane region记录，但保留了同时包含两种类型的Sequence Name对应的topological domain条目，不符合需求。

原始数据集示例：

Name  Sequence Name                 Type Minimum Maximum Length # Intervals
1   Cytoplasmic (potential) XP_009600001.1   topological domain       1     743    743           1
2   Cytoplasmic (potential) XP_009600003.1   topological domain       1     623    623           1
3   Cytoplasmic (potential) XP_009600004.1   topological domain     360     475    116           1
4 Transmembrane (potential) XP_009600004.1 transmembrane region     339     359     21           1
5 Extracellular (potential) XP_009600004.1   topological domain     155     338    184           1
6 Transmembrane (potential) XP_009600004.1 transmembrane region     134     154     21           1

期望输出：

Name  Sequence Name                 Type Minimum Maximum Length # Intervals
1   Cytoplasmic (potential) XP_009600001.1   topological domain       1     743    743           1
2   Cytoplasmic (potential) XP_009600003.1   topological domain       1     623    623           1

解决方案 #

核心思路：先找出所有从未出现过transmembrane region类型的Sequence Name，再筛选这些序列对应的topological domain记录。

方法1：分步实现 #

library(dplyr)

# 1. 筛选出仅含topological domain的序列名称
valid_seq_names <- TMHMM.df %>%
  group_by(`Sequence Name`) %>%
  summarise(has_transmembrane = any(Type == "transmembrane region")) %>%
  filter(!has_transmembrane) %>%
  pull(`Sequence Name`)

# 2. 提取目标记录
TMHMM_filter <- TMHMM.df %>%
  filter(`Sequence Name` %in% valid_seq_names, Type == "topological domain")

head(TMHMM_filter)

方法2：链式紧凑写法 #

library(dplyr)

TMHMM_filter <- TMHMM.df %>%
  group_by(`Sequence Name`) %>%
  filter(!any(Type == "transmembrane region"), Type == "topological domain") %>%
  ungroup()

代码说明 #

• 分组统计：按Sequence Name分组后，用any(Type == "transmembrane region")判断该序列是否存在跨膜区域类型。
• 筛选有效序列：保留无跨膜区域的序列，再提取这些序列对应的topological domain条目。
• 链式写法直接在分组内完成筛选，无需单独提取序列名称列表，代码更简洁。

内容的提问来源于stack exchange，提问作者Luigi