如何用R将列表中的UniRef90编号替换为对应文件中的序列

嘿，这个需求很常见，我帮你整理了一套R的实现方案，一步步来就行：

首先得把FASTA里的每个UniRef90编号和对应的序列对应起来，做成一个可以快速查找的结构。这里用列表来存储，不管序列是单行还是跨多行都能处理：

# 替换成你的FASTA文件路径
fasta_path <- "your_proteins.fasta"
fasta_lines <- readLines(fasta_path)

# 初始化映射列表
seq_mapping <- list()
current_accession <- NULL

# 逐行解析FASTA内容
for (line in fasta_lines) {
  if (startsWith(line, ">")) {
    # 提取纯UniRef90编号（去掉开头的>，如果后面有额外信息也一并去掉）
    # 比如如果行是 ">UniRef90_A0A076JUS5 | Homo sapiens"，就只保留编号部分
    current_accession <- sub("^>(UniRef90_[^ ]+).*", "\\1", line)
    seq_mapping[[current_accession]] <- ""
  } else {
    # 拼接跨多行的序列
    seq_mapping[[current_accession]] <- paste0(seq_mapping[[current_accession]], line)
  }
}

这样处理后，seq_mapping就是以UniRef90编号为名称、对应序列为值的列表，后续查找效率很高。

假设你的原列表叫original_groups，我们用lapply遍历每个分组，把里面的每个编号替换成对应的序列：

# 示例原列表（替换成你自己的列表）
original_groups <- list(
  immune_related = c("UniRef90_A0A076JUS5", "UniRef90_P01308"),
  metabolic = c("UniRef90_Q9Y2W8", "UniRef90_O75347")
)

# 加载purrr包用%||%处理缺失值（如果没装先运行install.packages("purrr")）
library(purrr)

# 生成替换后的新列表
new_sequence_list <- lapply(original_groups, function(group) {
  sapply(group, function(accession) {
    # 如果编号不存在，返回NA；你也可以改成自定义提示比如"Sequence not found"
    seq_mapping[[accession]] %||% NA_character_
  })
})

如果不想用purrr包，也可以用基础R的写法替代%||%：

seq_mapping[[accession]] %||% NA_character_
# 替换成
ifelse(is.null(seq_mapping[[accession]]), NA_character_, seq_mapping[[accession]])

• 检查编号一致性：一定要确保原列表里的编号和FASTA里的完全匹配！比如有没有大小写差异、多余的空格？如果FASTA里的编号格式特殊，记得调整sub函数的正则表达式来提取正确的编号。
• 查找缺失的编号：可以用下面的代码找出原列表里在FASTA中没有对应序列的编号，方便排查问题：

  all_accessions <- unlist(original_groups)
  missing_accessions <- all_accessions[!all_accessions %in% names(seq_mapping)]
  if (length(missing_accessions) > 0) {
    cat("以下编号未找到对应序列：", paste(missing_accessions, collapse = ", "), "\n")
  }
  

• 优化性能：如果你的列表和FASTA文件都很大，可以把seq_mapping转成命名向量（seq_vector <- unlist(seq_mapping)），用向量索引的方式查找，速度会更快。

内容的提问来源于stack exchange，提问作者Paillou