如何拼接位置矩阵单行指定字符元素以匹配proteins表的HLA蛋白序列

这是我第一次在此发帖，我对编程整体非常陌生，恳请各位见谅。

背景信息 #

我当前需要对肽段与HLA序列进行定位，从而将对应的HLA等位基因蛋白序列添加到我的'Proteins'文件中。我已知可发生结合的肽段与HLA等位基因组合，但需要通过位置矩阵获取HLA等位基因的精确蛋白序列。

我有一个名为proteins的.csv文件，格式如下：

Peptide,HLA,Binding
KLEDLERDL,HLA-A*02:01,Positive-Low
EVMPVSMAK,HLA-A*03:01,Positive-Intermediate
EVMPVSMAK,HLA-A*11:01,Positive-High
KTFPPTEPK,HLA-A*03:01,Positive-Intermediate
KTFPPTEPK,HLA-A*11:01,Positive-Intermediate
ATFSVPMEK,HLA-A*03:01,Positive-Intermediate
ATFSVPMEK,HLA-A*11:01,Positive-High

同时我有一个位置矩阵.tsv文件，格式如下，此处仅展示文件中第一个等位基因A01:01*的内容：

allele  P-25    P-24    P-23    P-22    P-21    P-20    P-19    P-18    P-17    P-16    P-15    P-14    P-13    P-12    P-11    P-10    P-9     P-8     P-7     P-6
     P-5     P-4     P-3     P-2     P-1     P0      P1      P2      P3      P4      P5      P6      P7      P8      P9      P10     P11     P12     P13     P14     P15     P16     P17     P18     P19     P20     P21     P22     P23     P24     P25     P26     P27     P28     P29     P30     P31     P32     P33     P34     P35
     P36     P37     P38     P39     P40     P41     P42     P43     P44     P45     P46     P47     P48     P49     P50     P51     P52     P53     P54     P55     P56     P57     P58     P59     P60     P61     P62     P63     P64     P65     P66     P67     P68     P69     P70     P71     P72     P73     P74     P75     P76
     P77     P78     P79     P80     P81     P82     P83     P84     P85     P86     P87     P88     P89     P90     P91     P92     P93     P94     P95     P96     P97     P98     P99     P100    P101    P102    P103    P104    P105    P106    P107    P108    P109    P110    P111    P112    P113    P114    P115    P116    P117
    P118    P119    P120    P121    P122    P123    P124    P125    P126    P127    P128    P129    P130    P131    P132    P133    P134    P135    P136    P137    P138    P139    P140    P141    P142    P143    P144    P145    P146    P147    P148    P149    P150    P151    P152    P153    P154    P155    P156    P157    P158
    P159    P160    P161    P162    P163    P164    P165    P166    P167    P168    P169    P170    P171    P172    P173    P174    P175    P176    P177    P178    P179    P180    P181    P182    P183    P184    P185    P186    P187    P188    P189    P190    P191    P192    P193    P194    P195    P196    P197    P198    P199
    P200    P201    P202    P203    P204    P205    P206    P207    P208    P209    P210    P211    P212    P213    P214    P215    P216    P217    P218    P219    P220    P221    P222    P223    P224    P225    P226    P227    P228    P229    P230    P231    P232    P233    P234    P235    P236    P237    P238    P239    P240
    P241    P242    P243    P244    P245    P246    P247    P248    P249    P250    P251    P252    P253    P254    P255    P256    P257    P258    P259    P260    P261    P262    P263    P264    P265    P266    P267    P268    P269    P270    P271    P272    P273    P274    P275    P276    P277    P278    P279    P280    P281
    P282    P283    P284    P285    P286    P287    P288    P289    P290    P291    P292    P293    P294    P295    P296    P297    P298    P299    P300    P301    P302    P303    P304    P305    P306    P307    P308    P309    P310    P311    P312    P313    P314    P315    P316    P317    P318    P319    P320    P321    P322
    P323    P324    P325    P326    P327    P328    P329    P330    P331    P332    P333    P334    P335    P336    P337    P338    P339    P340    P341    P342    P343    P344    P345    P346    P347    P348    P349    P350    P351    P352    P353    P354    P355    P356    P357    P358    P359    P360    P361
A*01:01 M       A       V       M       A       P       R       T       L       L       L       L       L       S       G       A       L       A       L       .
       .       T       Q       T       W       A       G       S       H       S       M       R       Y       F       F       T       S       V       S       R
       P       G       R       G       E       P       R       F       I       A       V       G       Y       V       D       D       T       Q       F       V
       R       F       D       S       D       A       A       S       Q       K       M       E       P       R       A       P       W       I       E       Q
       E       G       P       E       Y       W       D       Q       E       T       R       N       M       K       A       H       S       Q       T       D
       R       A       N       L       G       T       L       R       G       Y       Y       N       Q       S       E       D       G       S       H       T
       I       Q       I       M       Y       G       C       D       V       G       P       D       G       R       F       L       R       G       Y       .
       R       Q       D       A       Y       D       G       K       D       Y       .       I       A       L       N       E       D       L       R       S
       W       T       A       A       D       M       A       A       Q       I       T       K       R       K       W       E       A       V       H       A
       A       E       .       .       .       .       .       .       .       .       .       .       .       .       .       .       Q       R       R       V
       Y       L       E       G       R       C       V       D       G       L       R       R       Y       L       E       N       .       .       .       G
       K       E       T       L       Q       R       T       D       P       P       K       T       H       M       T       H       H       P       I       S
       D       H       E       A       T       L       R       C       W       A       L       G       F       Y       P       A       E       I       T       L
       T       W       Q       R       D       G       E       D       .       Q       T       Q       D       T       E       L       V       E       T       R
       P       A       G       D       G       T       F       Q       K       W       A       A       V       V       V       P       S       G       E       E
       Q       R       Y       T       C       H       V       Q       H       E       G       L       P       K       P       L       T       L       R       W
       E       L       S       S       Q       P       T       I       P       I       V       G       I       I       A       G       L       V       L       L
       G       A       V       I       T       G       A       V       V       A       A       V       M       W       R       R       K       S       S       D
       R       K       G       G       S       Y       T       Q       A       A       S       S       D       S       A       Q       G       S       D       V
       S       L       T       A       C       K       V

尝试与问题 #

我打算将位置矩阵文件中每一行以P开头的列对应的所有字符值拼接为一个字符串，格式如ABCDEGGH***IHJLMNOP，之后根据'proteins'文件中的HLA字段进行匹配，在'proteins'文件中新增一列名为'HLA amino acid sequence'，填入拼接得到的字符串值。

我已经掌握了字符串拼接的基础方法，但无法实现我需要的按行拼接效果，当前代码如下：

positional_matrix <- A_AA_mat_pos


concatenated_amino_acid <- c(positional_matrix, sep = "")
do.call(paste, positional_matrix)

head(concatenated_amino_acid) 

查看拼接后结果的head发现，代码是按列将所有值拼接为一个列表，而我想要的是对每一行分别拼接。

解决方案 #

1. 修正按行拼接逻辑 #

你之前的写法默认按列处理，R中指定apply的第二个参数为1即可实现按行遍历拼接：

# 筛选所有以P开头的列，排除allele字段
p_columns <- grep("^P", colnames(positional_matrix), value = TRUE)
# 按行拼接所有P列的内容，结果存入新列
positional_matrix$concatenated_seq <- apply(positional_matrix[, p_columns], 1, function(row) paste(row, collapse = ""))

2. 处理矩阵跨行存储问题 #

从你提供的矩阵示例来看，同一个等位基因的序列拆分到了多行存储，第一行带allele名，后续行的allele列为空，需要先合并同一个等位基因的所有行：

# 加载所需包，zoo用于填充空值，dplyr用于分组处理
library(zoo)
library(dplyr)

# 填充空的allele字段，和上一行非空allele保持一致
positional_matrix$allele <- na.locf(ifelse(positional_matrix$allele == "", NA, positional_matrix$allele), na.rm = FALSE)
# 按allele分组，合并所有P列的内容
pos_clean <- positional_matrix %>%
  group_by(allele) %>%
  summarise(across(starts_with("P"), ~paste(na.omit(.x), collapse = ""))) %>%
  ungroup()
# 拼接每个等位基因的完整序列
pos_clean$hla_sequence <- apply(pos_clean[, grep("^P", colnames(pos_clean))], 1, paste, collapse = "")

3. 匹配proteins表补全序列 #

注意proteins表的HLA字段带HLA-前缀，匹配前需要先统一格式：

# 读取proteins文件
proteins <- read.csv("proteins.csv", stringsAsFactors = FALSE)
# 生成临时匹配字段，去除HLA前缀
proteins$match_allele <- gsub("^HLA-", "", proteins$HLA)
# 匹配序列
proteins <- merge(proteins, pos_clean[, c("allele", "hla_sequence")], by.x = "match_allele", by.y = "allele", all.x = TRUE)
# 重命名列并删除临时字段
colnames(proteins)[colnames(proteins) == "hla_sequence"] <- "HLA amino acid sequence"
proteins$match_allele <- NULL
# 输出结果
write.csv(proteins, "proteins_with_hla_seq.csv", row.names = FALSE)

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