如何用R实现DNA序列列表的One-Hot编码矩阵生成？

完全可以在R中实现批量DNA序列的One-Hot编码，下面提供两种实用方案，适配不同使用场景：

方案一：使用tidyverse工具链（简洁易读） #

先构造示例数据，再通过数据流转完成编码：

# 加载tidyverse包（未安装先运行install.packages("tidyverse")）
library(tidyverse)

# 构造示例数据框
dna_df <- data.frame(seq = c("ACTTTA", "TTGATG", "CTTACG", "GTACGT"))

# 生成One-Hot编码矩阵
one_hot_result <- dna_df %>%
  mutate(seq_id = row_number()) %>%  # 给每条序列添加唯一标识
  separate_rows(seq, sep = "") %>%  # 将每条序列拆分为单个碱基的行
  filter(seq != "") %>%  # 移除拆分产生的空字符串
  mutate(base = factor(seq, levels = c("A", "C", "G", "T"))) %>%  # 指定碱基顺序，保证编码一致性
  pivot_wider(
    id_cols = seq_id,
    names_from = c(base, row_number()),  # 列名格式：碱基_位置（如A_1、C_2）
    values_from = base,
    values_fn = function(x) as.integer(!is.na(x)),
    values_fill = 0
  ) %>%
  select(-seq_id)  # 移除序列标识列

# 转换为矩阵格式（按需选择）
one_hot_matrix <- as.matrix(one_hot_result)

方案二：基础R实现（无需额外包） #

如果环境无法安装第三方包，可使用基础R代码完成：

# 构造示例数据框
dna_df <- data.frame(seq = c("ACTTTA", "TTGATG", "CTTACG", "GTACGT"))
dna_seqs <- dna_df$seq

# 定义碱基集合与序列长度（假设所有序列长度一致）
bases <- c("A", "C", "G", "T")
seq_length <- nchar(dna_seqs[1])

# 初始化编码矩阵
one_hot_matrix <- matrix(0, 
                         nrow = length(dna_seqs), 
                         ncol = seq_length * length(bases))
# 设置列名：碱基_位置
colnames(one_hot_matrix) <- paste(rep(bases, each = seq_length), 
                                  rep(1:seq_length, length(bases)), 
                                  sep = "_")

# 循环处理每条序列
for (i in seq_along(dna_seqs)) {
  seq_chars <- strsplit(dna_seqs[i], "")[[1]]
  for (pos in 1:seq_length) {
    base <- seq_chars[pos]
    # 计算当前碱基对应列的索引
    col_index <- which(bases == base) + (pos - 1) * length(bases)
    one_hot_matrix[i, col_index] <- 1
  }
}

两种方案最终都会生成一个行数等于序列数量、列数等于「序列长度×4」的One-Hot编码矩阵，每一列对应某个位置的特定碱基（存在为1，不存在为0）。

内容的提问来源于stack exchange，提问作者Sunil Pachakar