如何在DataFrame中筛选Sample_1与Sample_2弱相关性的Gene ID

你提到的corrr代码无法直接实现需求 #

你给出的corrr::correlate(your_data, method = "pearson")只能计算数据框列与列之间的整体相关系数，最终只会输出Sample_1和Sample_2两个样本整体的皮尔逊相关值，完全无法对应到单个Gene ID的相关特征，因此不能直接用。

具体实现思路 #

首先先澄清前提：你提供的示例中每个基因仅对应Sample_1、Sample_2各1个表达值，单个基因的两组各1个数值无法单独计算相关系数，你所说的“两列数值无相关性/相关性较差”本质是指该基因的表达量偏离两个样本的整体线性相关趋势更远，属于离群点，你可以按以下步骤实现：

• 第一步：确定筛选规则，常用两种可二选一：
  1. 残差法：先拟合Sample_2对Sample_1的线性回归方程，计算每个基因对应点到回归线的残差绝对值，残差越大说明偏离整体相关趋势越远，符合“相关性差”的判定
  2. 倍数法：计算每个基因的表达倍数变化FC = Sample_2 / Sample_1（0值可先加1做伪计数避免报错），FC偏离整体平均水平越多越符合要求
• 第二步：根据你设定的阈值（比如残差绝对值大于50，或者FC大于2/小于0.5），筛选出符合条件的行，提取对应的Gene ID即可
• 如果你实际的Sample_1、Sample_2是有多列重复的场景，每个基因可以对应两组各多个数值，则可以按行遍历每个基因，单独计算两组数值的皮尔逊/斯皮尔曼相关系数，筛选相关系数绝对值小于0.3（通常认为低于该值为弱相关/无相关）的行提取Gene ID即可，该场景可以用apply系列函数按行计算，无需使用corrr包的列相关函数。

内容的提问来源于stack exchange，提问作者tedahes806