基于Base R去除互为反向的重复基因对行（禁用tidyverse）

我正在使用Base R操作（禁止使用tidyverse），现有如下数据：

> geneA  
[1] "GNG7"  "GNG7"  "GNG7"  "GNG12" "GNG12" "GNG12" "GNG2"  "GNG2"  "GNG2"  
[10] "GNG5"  "GNG5"  "GNG5" 

> geneB  
 [1] "GNG12" "GNG5"  "GNG2"  "GNG7"  "GNG5"  "GNG2"  "GNG5"  "GNG12" "GNG7"  
[10] "GNG12" "GNG7"  "GNG2" 

处理后得到数据框GNGdata：

> GNGdata
    geneA geneB  GENE_PAIR  
1  GNG7 GNG12 GNG7;GNG12  
2  GNG7  GNG5  GNG7;GNG5  
3  GNG7  GNG2  GNG7;GNG2  
4 GNG12  GNG7 GNG12;GNG7  
5 GNG12  GNG5 GNG12;GNG5  
6 GNG12  GNG2 GNG12;GNG2  
7  GNG2  GNG5  GNG2;GNG5  
8  GNG2 GNG12 GNG2;GNG12  
9  GNG2  GNG7  GNG2;GNG7  
10  GNG5 GNG12 GNG5;GNG12  
11  GNG5  GNG7  GNG5;GNG7  
12  GNG5  GNG2  GNG5;GNG2

现在需要过滤掉重复的基因对：比如GNG7;GNG12和GNG12;GNG7视为同一对，只保留其中一行，最终得到如下结果：

> GNGdata_filtered  
    geneA geneB  GENE_PAIR  
1  GNG7 GNG12 GNG7;GNG12  
2  GNG7  GNG5  GNG7;GNG5  
3  GNG7  GNG2  GNG7;GNG2  
4 GNG12  GNG5 GNG12;GNG5  
5 GNG12  GNG2 GNG12;GNG2  
6  GNG2  GNG5  GNG2;GNG5  

核心想法是为每个基因对生成一个标准化的唯一键——不管基因顺序如何，标准化后的键格式统一，之后基于这个键去重即可。

步骤1：生成标准化基因对键 #

拆分GENE_PAIR列的字符串，对每个拆分后的基因列表排序，再重新拼接成统一格式的字符串：

# 拆分GENE_PAIR为单个基因
split_pairs <- strsplit(GNGdata$GENE_PAIR, ";")
# 对每个基因对排序后重新拼接，得到标准化键
standardized_pairs <- sapply(split_pairs, function(x) paste(sort(x), collapse = ";"))

步骤2：基于标准化键去重 #

用duplicated()函数标记重复的标准化键，只保留第一次出现的行：

# 筛选出非重复的行
GNGdata_filtered <- GNGdata[!duplicated(standardized_pairs), ]

完整可运行代码 #

# 构造原始数据框（如果还没生成的话）
geneA <- c("GNG7", "GNG7", "GNG7", "GNG12", "GNG12", "GNG12", "GNG2", "GNG2", "GNG2", "GNG5", "GNG5", "GNG5")
geneB <- c("GNG12", "GNG5", "GNG2", "GNG7", "GNG5", "GNG2", "GNG5", "GNG12", "GNG7", "GNG12", "GNG7", "GNG2")
GNGdata <- data.frame(geneA, geneB, GENE_PAIR = paste(geneA, geneB, sep = ";"))

# 生成标准化基因对键
split_pairs <- strsplit(GNGdata$GENE_PAIR, ";")
standardized_pairs <- sapply(split_pairs, function(x) paste(sort(x), collapse = ";"))

# 去重得到结果
GNGdata_filtered <- GNGdata[!duplicated(standardized_pairs), ]

# 查看过滤后的数据框
GNGdata_filtered

内容的提问来源于stack exchange，提问作者moirasanti