如何解码R数据框中的SNP编码列

现有两个R数据框：

• gt：包含多列SNP数据，每列的值以1、2、3编码（示例仅展示2列）
• gt_codes：存储每个SNP的编码与对应基因型的映射关系

需求是根据gt_codes的映射规则，将gt中的数字编码替换为对应的基因型，生成目标数据框。

示例数据 #

# gt数据框
structure(list(rs2278426..DOCK6. = c(1L, 1L, 1L, 1L, 1L, 1L, 
1L, 2L, 1L, 1L), rs1122326..HSPB9. = c(2L, 1L, 1L, 1L, 2L, 1L, 
1L, 2L, 1L, 1L)), row.names = c(NA, 10L), class = "data.frame")

# gt_codes映射数据框
structure(list(rs_id = c("rs2278426..DOCK6.", "rs2278426..DOCK6.", 
"rs2278426..DOCK6.", "rs1122326..HSPB9.", "rs1122326..HSPB9.", 
"rs1122326..HSPB9."), code = c(1, 2, 3, 1, 2, 3), gt = c("AA", 
"AT", "TT", "AA", "AT", "TT")), class = "data.frame", row.names = c(NA, 
-6L))

方法1：基础R实现 #

先将gt_codes转换为按SNP分组的映射列表，再遍历gt的每一列完成值替换：

# 将gt_codes转换为嵌套映射列表：外层键为SNP名称，内层键为编码
code_map <- split(gt_codes$gt, list(gt_codes$rs_id, gt_codes$code))
code_map <- lapply(split(code_map, gsub("\\.\\d+$", "", names(code_map))), 
                   function(x) setNames(x, gsub("^.*\\.", "", names(x))))

# 遍历gt的每一列，替换编码为对应基因型
gt_decoded <- data.frame(lapply(names(gt), function(col) {
  map <- code_map[[col]]
  unname(map[as.character(gt[[col]])])
}), stringsAsFactors = FALSE)
names(gt_decoded) <- names(gt)

方法2：tidyverse实现（更适合多列场景） #

通过长格式转换+关联匹配+宽格式还原的流程，高效处理多列SNP数据：

library(tidyverse)

gt_decoded <- gt %>%
  mutate(row_id = row_number()) %>%  # 添加行号用于恢复原结构
  pivot_longer(-row_id, names_to = "rs_id", values_to = "code") %>%  # 转成长格式
  left_join(gt_codes, by = c("rs_id", "code")) %>%  # 匹配基因型
  pivot_wider(id_cols = row_id, names_from = rs_id, values_from = gt) %>%  # 转回宽格式
  select(-row_id)  # 移除辅助行号列

两种方法最终都会生成解码后的数据集，数字编码将被替换为对应的基因型（例如rs2278426..DOCK6.列的1替换为AA，2替换为AT）。

内容的提问来源于stack exchange，提问作者arshad