使用missMethyl读取idat文件报错：指定文件不存在问题咨询

问题背景 #

需求：仅保留文件名第一个下划线前子串重复的IDAT文件（例如abc_xyz_123.idat与abc_xyz_456.idat属于有效配对），同时匹配sample.sheet和clin.info中的Sample.ID字段。

当前执行代码：

library(missMethyl)
matched.filenames <- sample.sheet$File.Name[match(clin.info$Sample.ID, sample.sheet$Sample.ID)]
filename.substr <- stringr::str_extract(matched.filenames, "[^_]*")
clin.info$Basename <- file.path(paste0(getwd(), "/idat"), filename.substr)
sample.sheet$Basename <- clin.info$Basename[match(clin.info$Sample.ID, sample.sheet$Sample.ID)]
sample.sheet <- sample.sheet[!(is.na(sample.sheet$Basename)) || !(duplicated(sample.sheet$Basename))]
clin.info <- clin.info[clin.info$Sample.ID %in% sample.sheet$Sample.ID,]
rgSet <- read.metharray.exp(targets=clin.info)

报错信息 #

执行时触发文件不存在错误，具体提示：

Error in read.metharray(basenames = files, extended = extended, verbose = verbose, : 
  The following specified files do not exist:
[Basename列所有值]

错误原因分析 #

1. Basename格式不匹配：read.metharray.exp要求的Basename是IDAT文件的完整前缀（即去掉_Grn.idat/_Red.idat的部分），但当前代码仅提取了文件名第一个下划线前的子串，和实际文件前缀完全不符。
2. 路径拼接逻辑错误：手动拼接getwd()和/idat会导致路径分隔符异常，file.path本身已支持自动处理分隔符，无需额外拼接。
3. 样本筛选逻辑反向：!(is.na(sample.sheet$Basename)) || !(duplicated(sample.sheet$Basename))会保留非NA或非重复的样本，和“保留第一个下划线前子串重复的配对”需求完全相反。

修正代码 #

library(missMethyl)
library(stringr)

# 1. 匹配Sample.ID，关联对应文件名
matched_idx <- match(clin.info$Sample.ID, sample.sheet$Sample.ID)
matched.filenames <- sample.sheet$File.Name[matched_idx]

# 2. 生成正确的Basename：提取IDAT文件完整前缀，拼接合法路径
filename_prefix <- str_remove(matched.filenames, "\\.idat$")
clin.info$Basename <- file.path(getwd(), "idat", filename_prefix)
# 提取第一个下划线前的子串用于筛选配对
clin.info$prefix_sub <- str_extract(filename_prefix, "[^_]*")

# 3. 筛选出第一个下划线前子串重复的样本（即有效配对）
repeat_sub_counts <- table(clin.info$prefix_sub)
valid_substrings <- names(repeat_sub_counts[repeat_sub_counts >= 2])
clin.info <- clin.info[clin.info$prefix_sub %in% valid_substrings, ]

# 4. 同步更新sample.sheet
sample.sheet <- sample.sheet[sample.sheet$Sample.ID %in% clin.info$Sample.ID, ]
sample.sheet$Basename <- clin.info$Basename[match(sample.sheet$Sample.ID, clin.info$Sample.ID)]

# 5. 提前验证IDAT文件是否存在（红绿通道都需存在）
missing_flag <- !file.exists(paste0(clin.info$Basename, "_Grn.idat")) | !file.exists(paste0(clin.info$Basename, "_Red.idat"))
if (any(missing_flag)) {
  warning("以下样本的IDAT文件缺失：", paste(clin.info$Sample.ID[missing_flag], collapse = ", "))
  clin.info <- clin.info[!missing_flag, ]
}

# 6. 读取甲基化数据
rgSet <- read.metharray.exp(targets = clin.info)

关键修正说明 #

• Basename生成逻辑：提取完整的IDAT文件前缀（去掉.idat后缀），确保和实际的_Grn.idat/_Red.idat文件前缀完全匹配。
• 筛选逻辑修正：统计第一个下划线前子串的出现次数，仅保留出现≥2次的子串对应的样本，符合配对需求。
• 路径优化：使用file.path自动处理路径分隔符，避免手动拼接导致的格式错误。
• 前置验证：提前检查红绿通道IDAT文件是否存在，避免后续读取报错。

内容的提问来源于stack exchange，提问作者Anon