如何在R中基于字符比对筛选肽序列数据框，保留组内唯一有效序列？

核心逻辑 #

按Description分组，每组内通过编辑距离（adist()）识别相似序列（差异<6），将相似序列归为一类，每类仅保留character_count最大的条目；差异较大的序列全部保留。

实现步骤 #

1. 准备环境与示例数据

先加载依赖包，同时构造示例数据方便测试：

library(dplyr)
library(igraph)

# 构造测试数据框
set.seed(123)
all_peptides <- tibble(
  Description = rep(c("Group1", "Group2"), each = 5),
  id = c("ABCDEFG", "ABCDEFA", "XYZHIJK", "XYZHJJK", "LMNOPQR",
         "AAAAAAA", "AAAAAAB", "BBBBBBB", "BBBBBBC", "CCCCCCC"),
  character_count = nchar(id) + sample(0:2, 10, replace = TRUE)
)

2. 定义分组处理函数

编写函数处理单个分组内的序列筛选：

filter_unique_peptides <- function(group_df) {
  # 计算组内所有序列的两两编辑距离矩阵
  dist_matrix <- adist(group_df$id)
  # 构建相似性邻接矩阵：距离<6则标记为相似（连通）
  adj_matrix <- ifelse(dist_matrix < 6, 1, 0)
  # 用图论连通分量划分相似序列组
  graph <- graph_from_adjacency_matrix(adj_matrix, mode = "undirected", diag = FALSE)
  cluster_labels <- clusters(graph)$membership
  
  # 按聚类分组，保留每组character_count最大的条目
  group_df %>%
    mutate(cluster = cluster_labels) %>%
    group_by(cluster) %>%
    filter(character_count == max(character_count)) %>%
    ungroup() %>%
    select(-cluster)
}

3. 批量处理所有分组

用dplyr的分组操作将函数应用到整个数据框：

# 按Description分组处理，合并结果
filtered_peptides <- all_peptides %>%
  group_by(Description) %>%
  group_modify(~filter_unique_peptides(.x)) %>%
  ungroup()

关键说明 #

• 相似性判定：通过adist()计算编辑距离，阈值<6可根据需求调整
• 聚类逻辑：用igraph的连通分量把间接相似的序列（比如A和B相似，B和C相似）归为同一类，避免遗漏
• 多最大值处理：如果同一聚类内有多个条目character_count相同，会全部保留；若只需留一条，可在filter后添加slice(1)

内容的提问来源于stack exchange，提问作者Nina