基于R语言实现基因表达数据集的跨版本样本精准匹配

针对你的需求，我们可以通过样本表达谱相似度匹配的方式，为两个数据集的样本建立对应关系。以下是完整的可复用代码和步骤说明，适合R语言新手：

核心思路 #

1. 将长格式的基因表达数据转换为宽格式（每行对应一个基因，每列对应一个样本），方便获取每个样本的完整表达谱。
2. 计算两个数据集样本之间的皮尔逊相关系数（衡量表达谱的相似性，系数越接近1，样本匹配度越高）。
3. 为每个样本找到另一个数据集中相似性最高的对应样本，最终合并成指定格式的结果。

完整代码实现 #

# 先安装依赖包（首次运行需执行）
install.packages(c("dplyr", "tidyr"))

# 加载所需包
library(dplyr)
library(tidyr)

# 定义样本匹配函数
match_samples <- function(df1, df2) {
  # 检查两个数据集的基因是否完全一致
  if (!all(df1$gene %in% df2$gene) || !all(df2$gene %in% df1$gene)) {
    stop("两个数据集的基因不完全匹配，请检查数据！")
  }
  
  # 转换为宽格式：基因作为行名，样本作为列，值为表达量
  wide1 <- df1 %>%
    pivot_wider(names_from = sample, values_from = expression) %>%
    column_to_rownames("gene")
  
  wide2 <- df2 %>%
    pivot_wider(names_from = sample, values_from = expression) %>%
    column_to_rownames("gene")
  
  # 计算样本间的皮尔逊相关系数矩阵（转置后计算列间相关，即样本表达谱的相似性）
  cor_matrix <- cor(t(wide1), t(wide2))
  
  # 为df1的每个样本找到df2中相似度最高的样本
  # 若需要为df2的样本匹配df1，只需将apply的第二个参数改为2，互换rownames/colnames
  match_table <- data.frame(
    sample1 = rownames(cor_matrix),
    sample2 = colnames(cor_matrix)[apply(cor_matrix, 1, which.max)]
  )
  
  # 合并到原始数据集，生成最终结果
  final_result <- df1 %>%
    left_join(match_table, by = c("sample" = "sample1")) %>%
    select(gene, sample, expression, sample2)
  
  return(final_result)
}

# ------------------------------
# 测试示例数据（替换成你的真实数据即可）
# ------------------------------
df1 <- data.frame(
  gene = rep("a", 14),
  sample = letters[1:14],
  expression = 1:14
)

df2 <- data.frame(
  gene = rep("a", 14),
  sample = c(letters[26:17], "p", "o", "2", "4"),
  expression = c(1.5, 2.5, 3, 4.5, 5.7, 6.2, 7.8, 8.1, 9.8, 10.5, 11, 12, 13.3, 14.4)
)

# 运行函数生成结果
result <- match_samples(df1, df2)
print(result)

代码说明 #

1. 数据格式转换：pivot_wider将长格式数据转为宽格式，确保每个样本的所有基因表达值形成一个完整向量。
2. 相似度计算：cor(t(wide1), t(wide2))转置后计算列间相关系数，直接得到样本间的表达谱相似性矩阵。
3. 样本匹配：apply(cor_matrix, 1, which.max)遍历每个样本的相关系数，找到最大值对应的样本ID。
4. 结果合并：将匹配结果与原始数据集合并，生成包含sample2列的最终输出。

新手注意事项 #

• 确保两个数据集的基因完全一致，否则函数会抛出错误提示。
• 如果样本数量极大（如数千个），可以考虑改用欧氏距离（替换cor为dist），计算速度更快。
• 若存在多个样本相似度相同的情况，代码会默认选择第一个匹配的样本，可根据需求添加额外逻辑处理。

内容的提问来源于stack exchange，提问作者szmple