基于R语言的基因操作：生成频率列及获取次高频等位基因

1. 生成各碱基频率列 #

你之前的宽表转换没问题，但频率计算需要按patient*gene分组，计算每组内的碱基占比。以下是两种实现方式：

方式一：基于已转换的宽表计算 #

clean_df_mut_counts_wide <- clean_df_mut_counts_wide %>%
  group_by(patient, gene) %>%
  mutate(
    total_count = A + T + C + G,  # 计算每组总突变数
    A_freq = A / total_count,
    T_freq = T / total_count,
    C_freq = C / total_count,
    G_freq = G / total_count
  ) %>%
  ungroup()

方式二：从原始长表直接生成（更灵活） #

如果原始长表clean_df_mut_counts包含patient、gene、base、count字段，可以一步到位生成带频率的宽表：

clean_df_with_freq <- clean_df_mut_counts %>%
  group_by(patient, gene) %>%
  mutate(total_count = sum(count), freq = count / total_count) %>%
  pivot_wider(
    names_from = base,
    values_from = c(count, freq),
    names_glue = "{base}_{.value}"  # 自动生成A_count、A_freq这类规范列名
  ) %>%
  ungroup()

2. 获取每个patient*gene分组下的第二高频率等位基因 #

核心思路是把宽表转成长表，按分组排序后提取次高频记录：

方法一：基于已生成频率列的宽表 #

second_highest_allele <- clean_df_mut_counts_wide %>%
  # 将频率列转成长格式，保留分组信息
  pivot_longer(
    cols = ends_with("_freq"),
    names_to = "base",
    values_to = "freq",
    names_transform = list(base = ~ gsub("_freq", "", .))  # 去掉碱基名后缀
  ) %>%
  group_by(patient, gene) %>%
  arrange(desc(freq), base) %>%  # 按频率降序排序，同频时按碱基名排序（可选）
  slice(2) %>%  # 取每组第2条记录（即次高频）
  select(patient, gene, second_highest_base = base, second_highest_freq = freq) %>%
  ungroup()

方法二：直接从原始长表处理（更简洁） #

second_highest_allele <- clean_df_mut_counts %>%
  group_by(patient, gene) %>%
  mutate(freq = count / sum(count)) %>%  # 直接计算频率
  arrange(desc(freq), base) %>%
  slice(2) %>%
  select(patient, gene, second_highest_base = base, second_highest_freq = freq) %>%
  ungroup()

你之前代码的问题说明 #

你之前的代码错误地将A/T/C/G的数值作为分组依据，完全偏离了patient*gene的分组需求；同时summarise(n = n())只是统计相同碱基计数组合的行数，和频率计算、次高频提取毫无关系。

内容的提问来源于stack exchange，提问作者analog_kid