如何分析样本中5-10个特征的重叠组合并实现类UpSet图分析？

一、核心逻辑 #

要解决“识别拥有5-10个相同特征的样本组”问题，核心是先提取每个样本的可用特征集合，再计算不同样本组合的特征交集大小，最后筛选符合条件的组合——这和UpSet图的核心逻辑（展示集合间的交集关系）完全匹配。

二、分步实现 #

1. 数据预处理：提取样本的可用特征

先把长格式数据转换为“样本-可用特征集合”的形式，方便后续计算交集：

library(dplyr)
library(tidyr)

# 提取每个样本的可用特征列表
sample_features <- dat %>%
  filter(state == 1) %>%
  group_by(sample) %>%
  summarise(available_features = list(feature), .groups = "drop")

2. 计算样本组合的特征交集（以两两组合为例）

生成所有可能的样本对，计算每对的共同特征数，筛选出交集大小在5-10之间的组合：

library(combinat)

# 生成所有样本两两组合
sample_pairs <- combn(sample_features$sample, 2, simplify = FALSE)

# 计算每对的共同特征数并筛选
valid_pairs <- lapply(sample_pairs, function(pair) {
  # 获取两个样本的可用特征
  feats_a <- sample_features$available_features[sample_features$sample == pair[1]][[1]]
  feats_b <- sample_features$available_features[sample_features$sample == pair[2]][[1]]
  
  # 计算交集大小和具体特征
  common_count <- length(intersect(feats_a, feats_b))
  if (common_count >= 5 & common_count <= 10) {
    data.frame(
      sample_ids = paste(pair, collapse = " & "),
      shared_feature_count = common_count,
      shared_features = paste(intersect(feats_a, feats_b), collapse = ", ")
    )
  }
}) %>% bind_rows()

# 查看结果
head(valid_pairs)

如果需要分析3个及以上样本的组合，只需修改combn的m参数（比如m=3），并调整交集计算逻辑为多集合的交集：

# 生成3样本组合
sample_triples <- combn(sample_features$sample, 3, simplify = FALSE)

valid_triples <- lapply(sample_triples, function(triple) {
  # 获取三个样本的可用特征列表
  feats_list <- lapply(triple, function(s) sample_features$available_features[sample_features$sample == s][[1]])
  
  # 计算三个集合的交集
  common_feats <- Reduce(intersect, feats_list)
  common_count <- length(common_feats)
  
  if (common_count >=5 & common_count <=10) {
    data.frame(
      sample_ids = paste(triple, collapse = " & "),
      shared_feature_count = common_count,
      shared_features = paste(common_feats, collapse = ", ")
    )
  }
}) %>% bind_rows()

3. UpSet图可视化

用UpSet图直观展示符合条件的特征交集与样本组的关系，推荐两种工具：

工具1：UpSetR包（经典UpSet图）

library(UpSetR)

# 转换为样本×特征的二进制矩阵（1=特征可用，0=不可用）
feature_matrix <- dat %>%
  pivot_wider(names_from = feature, values_from = state, values_fill = 0) %>%
  column_to_rownames("sample")

# 绘制UpSet图，高亮交集大小5-10的组合
upset(feature_matrix,
      nintersects = NA,  # 显示所有符合条件的交集
      queries = list(
        list(query = intersects, params = list(5:10), color = "#2E86AB", active = TRUE)
      ),
      mainbar.y.label = "样本组数量",
      sets.x.label = "拥有该特征的样本数",
      text.scale = c(1.1, 1.1, 0.9, 0.9, 1.1, 0.9))

工具2：ggupset包（适配tidyverse）

library(ggupset)

# 绘制基于ggplot2的UpSet图，筛选交集大小5-10
ggplot(sample_features, aes(x = available_features)) +
  geom_bar(fill = "#2E86AB") +
  scale_x_upset(intersection_size_range = c(5, 10),  # 只显示交集大小5-10的组合
                n_intersections = 15) +  # 最多显示15个组合
  labs(x = "特征交集组合", y = "样本组数量") +
  theme_bw() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

三、注意事项 #

• 当样本量较大时（比如n>30），多样本组合的数量会指数级增长，建议优先分析两两组合，或通过特征频率筛选高频特征后再计算交集，提升效率。
• 如果只需要统计“拥有k个共同特征的样本组数量”，可以在计算后对shared_feature_count分组汇总。

内容的提问来源于stack exchange，提问作者BHN