如何高效批量将Entrez ID映射转换为对应的Uniprot ID？

核心逻辑：避免逐行遍历匹配，使用基于哈希的键值查询或数据表关联操作，时间复杂度可从逐行匹配的O(n*m)降至O(n+m)，40万行数据通常可在10秒内完成处理。

方案1：Python Pandas实现（最高效，推荐优先使用） #

处理流程：

• 读取原始PPI表和ID映射表
• 构建Entrez ID到Uniprot ID的哈希字典，单次查询耗时为O(1)
• 批量替换PPI表中两列蛋白ID
• 导出结果
  代码示例：

import pandas as pd

# 读取数据，大体积Excel建议提前转存为CSV格式，读取速度可提升5-10倍
ppi_df = pd.read_excel("你的原始PPI文件路径.xlsx")
map_df = pd.read_excel("你的ID映射表路径.xlsx")

# 构建映射字典，参数替换为你自己表中对应的列名
id_mapper = dict(zip(map_df["Entrez_ID列名"], map_df["Uniprot_ID列名"]))

# 批量替换两列蛋白ID
ppi_df["互作蛋白A列名"] = ppi_df["互作蛋白A列名"].map(id_mapper)
ppi_df["互作蛋白B列名"] = ppi_df["互作蛋白B列名"].map(id_mapper)

# 可选操作：删除未匹配到Uniprot ID的无效行
ppi_df = ppi_df.dropna(subset=["互作蛋白A列名", "互作蛋白B列名"])

# 导出结果
ppi_df.to_excel("转换完成的PPI文件.xlsx", index=False)

提示：如果存在单个Entrez ID对应多个Uniprot ID的情况，可先对映射表按Entrez ID分组，将对应多个Uniprot ID用分号拼接后再生成映射字典，避免数据丢失。

方案2：R语言实现（生信领域常用） #

代码示例：

library(readxl)
library(dplyr)

# 读取数据
ppi_df <- read_excel("你的原始PPI文件路径.xlsx")
map_df <- read_excel("你的ID映射表路径.xlsx")

# 两次左关联完成ID替换，替换为对应列名
ppi_df <- ppi_df %>%
  left_join(map_df, by = c("互作蛋白A列名" = "Entrez_ID列名")) %>%
  rename(蛋白A_Uniprot = Uniprot_ID列名) %>%
  left_join(map_df, by = c("互作蛋白B列名" = "Entrez_ID列名")) %>%
  rename(蛋白B_Uniprot = Uniprot_ID列名)

# 导出结果
writexl::write_xlsx(ppi_df, "转换完成的PPI文件.xlsx")

方案3：无代码Excel实现（适合无编程基础场景） #

使用VLOOKUP函数批量匹配，40万行数据处理耗时约1-5分钟：

• 在PPI表新增空白列，输入公式：=VLOOKUP(当前行蛋白A的Entrez ID单元格, 映射表!Entrez列:Uniprot列, 2, FALSE)
• 下拉公式应用到所有行，蛋白B列按相同逻辑操作
• 匹配完成后选中两列新数据，右键选择「粘贴为值」后保存即可

内容的提问来源于stack exchange，提问作者hpPh