在R中高效批量计算多组织基因表达均值并构建新数据框

问题描述 #

现有DESeq2输出的基因表达数据框，行是基因名称，列是不同组织的重复样本（如RAM1、RAM2、RAM3对应RAM组织的3个重复），需要批量计算每个组织的基因表达均值（排除0值），生成以组织均值为列的新数据框。目前采用逐个组织处理的方式，效率较低，寻求批量方案。

数据示例：

RAM1    RAM2       RAM3       SAM1      SAM2.....
gene.01G000150   3.112134   0.00000   0.00000   7.5206516 1.252147 
.....

期望输出：

RAM(mean)   SAM(mean)....
gene.01G000150   5.578          3.5...
...

批量处理方案 #

方案1：使用tidyverse工具链（易读易维护） #

依赖tidyverse包，通过数据格式转换+分组统计实现：

library(tidyverse)

# 1. 转换为长格式并提取组织信息
long_data <- check_genes %>%
  rownames_to_column("gene_id") %>%
  pivot_longer(-gene_id, names_to = "sample", values_to = "expr") %>%
  mutate(tissue = str_extract(sample, "^[A-Za-z]+")) # 从样本名提取组织前缀（如从RAM1提取RAM）

# 2. 分组计算排除0值后的均值，转回宽格式
mean_df <- long_data %>%
  filter(expr != 0) %>%
  group_by(gene_id, tissue) %>%
  summarise(mean_expr = mean(expr, na.rm = TRUE)) %>%
  pivot_wider(names_from = tissue, values_from = mean_expr, names_glue = "{tissue}(mean)") %>%
  column_to_rownames("gene_id")

方案2：Base R原生实现（无需额外包） #

通过正则匹配列名+循环计算实现：

# 1. 提取所有唯一组织名称
tissue_list <- unique(sub("\\d+$", "", colnames(check_genes)))

# 2. 批量计算每个组织的均值
mean_list <- lapply(tissue_list, function(tis) {
  # 匹配当前组织的所有样本列
  tis_cols <- grep(paste0("^", tis), colnames(check_genes))
  # 逐行计算排除0后的均值，全0时返回0
  apply(check_genes[, tis_cols], 1, function(x) {
    if(all(x == 0)) 0 else mean(x[x != 0], na.rm = TRUE)
  })
})

# 3. 合并为结果数据框
mean_df <- do.call(cbind, mean_list)
colnames(mean_df) <- paste0(tissue_list, "(mean)")
rownames(mean_df) <- rownames(check_genes)

补充说明 #

• 如果某基因在某个组织的所有样本中都是0，Base R方案会返回0，tidyverse方案会返回NA，可根据需求调整判断逻辑
• 若样本名的组织前缀规则不同（如不是"组织+数字"），需修改正则表达式（str_extract或sub中的匹配规则）

内容的提问来源于stack exchange，提问作者gforg34