R语言解决甲基化数据Ensembl ID行名重复及长度不匹配问题

问题背景 #

处理甲基化数据时，meth.genes是与meth数据框行名一一对应的字符向量，存在**一个基因对应多个探针（meth行名）**的一对多映射关系。需将基因名匹配到Ensembl ID后，映射回meth的行名，且为重复的ID添加递增后缀（如.1、.2），但执行现有代码时触发以下错误：

Error in `.rowNamesDF<-`(x, value = value) : invalid 'row.names' length

原代码 #

meth.genes <- genes.mapped$nearestGeneSymbol
bm.meth <- getBM(attributes = c("ensembl_gene_id", "hgnc_symbol"),
                filters = "hgnc_symbol", mart = ensembl, values=meth.genes)
idx.meth <- meth.genes %>% match(table = bm.meth$hgnc_symbol)
meth.ensembl <- bm.meth$ensembl_gene_id[bm.meth$hgnc_symbol %in% meth.genes]
rownames(meth) <- meth.ensembl

尝试的错误代码 #

for i in length(duplicated(meth.ensembl)) {
    paste0(rownames(meth), ".", i)
}

数据示例 #

• meth行名前3500条为cg开头的探针ID
• genes.mapped前3行数据：

structure(list(queryHits = 1:3, subjectHits = c(17721L, 11282L, 
20626L), distance = c(237L, 11879L, 0L), nearestGeneSymbol = c("RBL2", 
"BARHL2", "VDAC3")), row.names = c("cg00000029", "cg00000165", 
"cg00000236"), class = "data.frame")

• meth.genes前3条：c("RBL2", "BARHL2", "BARHL2")
• 预期输出行名前3条：c("ENSG00000175899", "ENSG00000184389.1", "ENSG00000184389.2")

错误原因 #

1. 长度不匹配：原代码中bm.meth$hgnc_symbol %in% meth.genes会返回所有匹配到的基因对应的Ensembl ID，但该结果的长度和meth的行数不一致（比如一个基因对应多个Ensembl ID，或重复匹配），导致设置行名时触发长度错误。
2. 循环逻辑错误：尝试的for循环语法错误（缺少括号），且length(duplicated(meth.ensembl))仅返回1，无法遍历所有重复项，也没有正确生成递增后缀。

解决方案 #

以下代码先保证一对一匹配，再为重复ID添加递增后缀：

# 1. 一对一匹配每个探针对应的Ensembl ID，保证长度与meth行数一致
meth.ensembl <- bm.meth$ensembl_gene_id[match(meth.genes, bm.meth$hgnc_symbol)]

# 2. 为重复的Ensembl ID生成递增后缀
suffix <- ave(meth.ensembl, meth.ensembl, FUN = function(x) {
  if (length(x) > 1) paste0(".", seq_along(x)) else ""
})
# 合并ID与后缀，得到唯一行名
meth.ensembl_unique <- paste0(meth.ensembl, suffix)

# 3. 设置meth的行名
rownames(meth) <- meth.ensembl_unique

代码说明 #

• match(meth.genes, bm.meth$hgnc_symbol)：返回每个meth.genes元素在bm.meth$hgnc_symbol中的位置，确保meth.ensembl的长度和meth的行数完全一致，解决长度不匹配问题。
• ave()函数：按Ensembl ID分组，仅当组内元素数量大于1时，为每个元素添加.1、.2这类递增后缀，保证行名唯一。

验证 #

用给出的前3条meth.genes测试，处理后生成的行名与预期完全一致：c("ENSG00000175899", "ENSG00000184389.1", "ENSG00000184389.2")

内容的提问来源于stack exchange，提问作者Anon