如何用R语言计算特定基因在样本中的占比？代码调试求助

问题分析 #

你的原代码存在两个核心问题：

1. 逻辑偏差：原代码计算的是单个样本内各基因平均值占该样本总和的比例，和你需要的「基因出现在多少百分比的样本中」统计目标不符
2. 标签丢失：reframe操作未保留gene列，导致最终结果缺失基因ID

解决方案 #

以下代码针对「基因在样本中的出现占比」需求编写，同时保留基因标签：

library(tidyverse)

# 计算基因在样本中的出现占比（value>0视为基因存在，可根据需求调整）
gene_perc <- example %>%
  # 过滤表达量为0的基因记录（若只要有样本记录就算存在，可删除此行）
  filter(value > 0) %>%
  # 去重：确保每个样本-基因组合仅统计一次
  distinct(Sample, gene) %>%
  # 按基因分组，统计每个基因对应的样本数
  group_by(gene) %>%
  summarise(sample_count = n(), .groups = "drop") %>%
  # 计算占比：基因出现的样本数 / 总样本数 * 100
  mutate(percentage = round(sample_count / n_distinct(example$Sample) * 100, 1)) %>%
  # 保留目标列
  select(gene, percentage)

# 生成你需要的文本格式结果
gene_perc %>%
  mutate(result_text = str_glue("{gene}存在于{percentage}%的样本中")) %>%
  pull(result_text)

代码解释 #

1. filter(value > 0)：根据「基因存在」的定义过滤数据，若只要样本中有该基因记录就算存在，可直接删除此步
2. distinct(Sample, gene)：避免同一样本中同一基因的多条重复记录干扰统计
3. group_by(gene) %>% summarise(sample_count = n())：统计每个基因出现在多少个独立样本中
4. n_distinct(example$Sample)：自动计算总样本数，无需手动输入
5. str_glue：直接生成你需要的「基因名称+占比」文本格式

示例数据运行结果 #

基于你提供的示例数据，总样本数为3，最终输出的文本结果为：

fwdF存在于66.7%的样本中
AMACR存在于33.3%的样本中
mtrA存在于33.3%的样本中
mrtC存在于33.3%的样本中
mtrD存在于33.3%的样本中
pmoA存在于33.3%的样本中
pmoC存在于33.3%的样本中
pmoB存在于33.3%的样本中
mmoX存在于33.3%的样本中

补充：若需计算样本内基因占比 #

如果你实际需求是计算单个样本内各基因的平均值占该样本总和的比例，可使用以下修正后的代码（保留基因标签）：

gene_perc_sample <- example %>%
  group_by(Sample, gene) %>%
  summarise(average = mean(value), .groups = "drop_last") %>%
  mutate(percentage = round(average / sum(average) * 100, 2)) %>%
  select(Sample, gene, percentage)

内容的提问来源于stack exchange，提问作者Geomicro