如何用R正确读取GTEx的GZ格式TPM文件并解决报错问题

数据老陈

2026-7-21

解决GTEx TPM文件读取问题

问题1：Gene TPM（GCT格式）读取报错

你遇到的line 1 did not have 11690 elements错误，核心原因是GTEx的Gene TPM文件为GCT格式，并非普通制表符分隔文本：

第1行是GCT版本标识（如#1.2）
第2行是数据行列数统计
第3行是表头（基因ID、基因名、各样本ID）
第4行起才是实际数据

直接用read.table会把注释行误判为数据行，导致列数不匹配。

解决方法：

方法1：手动跳过注释行

指定跳过前2行，同时配置正确的分隔符、表头参数：

geneTPM <- read.table(
  gzfile("C:/Users/ual-laptop/Downloads/GTEx_Analysis_2016-01-15_v7_RNASeQCv1.1.8_gene_tpm.gct.gz"),
  sep = "\t",
  header = TRUE,
  skip = 2,
  stringsAsFactors = FALSE,
  check.names = FALSE
)

方法2：用GCT专用读取包

Bioconductor的GEOquery包支持直接解析GCT格式，操作更简便：

# 首次使用先安装包
if (!require("GEOquery")) BiocManager::install("GEOquery")
library(GEOquery)

geneTPM <- getGEO(filename = "C:/Users/ual-laptop/Downloads/GTEx_Analysis_2016-01-15_v7_RNASeQCv1.1.8_gene_tpm.gct.gz")

问题2：Transcript TPM大文件读取缓慢

read.table处理大文件效率极低，推荐用高效读取工具，它们能自动识别压缩文件，无需手动调用gzfile，速度提升显著。

解决方法：

方法1：使用data.table::fread

# 首次使用先安装包
if (!require("data.table")) install.packages("data.table")
library(data.table)

transcriptTPM <- fread(
  "C:/Users/ual-laptop/Downloads/GTEx_Analysis_2016-01-15_v7_RSEMv1.2.22_transcript_tpm.txt.gz",
  sep = "\t",
  header = TRUE,
  stringsAsFactors = FALSE
)

方法2：使用readr::read_delim

# 首次使用先安装包
if (!require("readr")) install.packages("readr")
library(readr)

transcriptTPM <- read_delim(
  "C:/Users/ual-laptop/Downloads/GTEx_Analysis_2016-01-15_v7_RSEMv1.2.22_transcript_tpm.txt.gz",
  delim = "\t",
  show_col_types = FALSE
)