如何从数据框中提取同时含有MYB和ERF基序的基因

给定数据框：

df <- data.frame(genes= c("A", "B", "C", "D", "E", "F", "A", "B", "C"),
                  motifs = c("MYB", "MYB", "MYB", "ERF", "ERF", "ERF", "ERF", "ERF", "ERF"))

方法1：使用dplyr包（tidyverse风格） #

通过分组后检查每个基因的基序集合是否包含目标值，自动筛选符合条件的基因：

library(dplyr)

target_motifs <- c("MYB", "ERF")

result_genes <- df %>%
  group_by(genes) %>%
  filter(all(target_motifs %in% motifs)) %>%
  distinct(genes) %>%
  pull(genes)

result_genes
# 输出：[1] "A" "B" "C"

方法2：使用base R #

无需额外安装包，通过分组检查实现筛选：

target_motifs <- c("MYB", "ERF")

# 按基因拆分基序列表
gene_motifs <- split(df$motifs, df$genes)

# 筛选出包含所有目标基序的基因
result_genes <- names(gene_motifs)[sapply(gene_motifs, function(x) all(target_motifs %in% x))]

result_genes
# 输出：[1] "A" "B" "C"

方法3：使用data.table包（适合大数据量） #

如果基因列表极长，data.table的处理效率更优：

library(data.table)

setDT(df)
target_motifs <- c("MYB", "ERF")

result_genes <- df[, .(has_all = all(target_motifs %in% motifs)), by = genes][has_all == TRUE, genes]

result_genes
# 输出：[1] "A" "B" "C"

以上方法均无需手动指定基因名称，会自动遍历所有基因并筛选出同时拥有两种基序的结果。

内容的提问来源于stack exchange，提问作者Ujjal