R语言实现药物靶点与患者癌症基因数据集匹配生成新数据集

之前使用left_join未得到预期结果，核心原因是药物靶点数据集为宽格式（每列存储一个药物的所有靶点），不符合关联匹配要求的「键值一一对应」结构，先将靶点表转换为长格式再关联即可，完整实现流程如下：

步骤1：构造测试数据集 #

直接复现给出的两份测试数据，方便运行验证：

# 药物-靶点对应数据集
drug_target <- data.frame(
  docetaxel = c("AR", "CYP3A4", "ESR1", "NR3C1", "TACR2", "TDP1", "TP53", "TUBA1A", "TUBA1B"),
  carboplatin = c("ACVR1C", "ALDH1A1", "ALDH3A1", "ARFGEF1", "BAX", "NOTCH/MAST", "BCL2L12", "BIRC2", "BRCA1")
)

# 患者基因检测数据集
patient_gene <- data.frame(
  `Patient ID` = 1:10,
  Breastcancergenes = c("ESR1-CCDC170", "ESR1", "BCL2L14-ETV6", "ETV6-NTRK3", "MYB-NFIB", "NOTCH/MAST", "ESR1", "ESR1-CCDC170", "BCL2L14-ETV6", "MYB-NFIB"),
  check.names = FALSE
)

步骤2：转换靶点表格式 #

将宽格式的靶点表转换为每行存储「药物名-对应靶点」的长格式，这是匹配成功的核心步骤：

# 加载tidyverse工具包，未安装时先执行 install.packages("tidyverse")
library(tidyverse)

drug_target_long <- drug_target %>%
  pivot_longer(
    cols = everything(),
    names_to = "drug",
    values_to = "Breastcancergenes"
  )

转换后的长表结构示例：

步骤3：执行匹配 #

用左连接保留所有患者的记录，匹配不到对应靶点的行自动返回NA，最后调整列名和顺序符合预期格式：

match_result <- patient_gene %>%
  left_join(drug_target_long, by = "Breastcancergenes") %>%
  select(
    `patient id` = `Patient ID`,
    breastcancergenes = Breastcancergenes,
    drug
  )

结果说明 #

运行后得到的匹配结果如下，完全符合要求的逻辑：

补充：当前为精确字符串匹配，若需要实现模糊匹配（例如融合基因中包含靶点基因名即判定匹配），可以将关联逻辑替换为fuzzyjoin包的正则匹配，或用str_detect自定义判断规则。

内容的提问来源于stack exchange，提问作者Dimitris Karditsas