基于重复样本和数值的基因计数数据按分组条件过滤问题

解决方案 #

你可以在长表统计阶段同时完成两个过滤条件的判断，不需要分多步处理，完整可运行代码如下：
首先加载依赖包：

library(dplyr)
library(tidyr)

你的测试数据：

test = read.table(text="Geneid  exp1    exp2    exp3    stat1   stat2   stat3
gene_0001   12  11  18  115 103 97
gene_0002   1   2   0   18  21  20
gene_0003   3   3   0   3   0   0
gene_0004   1   1   0   1   2   0
gene_0005   50  0   0   20  0   0
gene_0006   0   0   1   1   0   0
gene_0007   0   2   3   0   2   3", header=TRUE, row.names=1)

核心过滤代码：

# 构造条件分组信息，自动提取列名前缀作为分组标识
col_group <- data.frame(
  ID = colnames(test),
  condition = gsub("\\d+$", "", colnames(test))
)

# 长表转换后按基因+条件分组判断规则
keep_genes <- test %>%
  rownames_to_column("geneid") %>%
  pivot_longer(-geneid, names_to = "ID", values_to = "count") %>%
  left_join(col_group, by = "ID") %>%
  group_by(geneid, condition) %>%
  summarise(
    # 统计非0有效值的数量
    valid_num = sum(count > 0),
    # 统计有效值中≥3的数量
    ge3_num = sum(count >= 3),
    .groups = "drop"
  ) %>%
  # 要求所有条件都同时满足两个过滤规则
  group_by(geneid) %>%
  filter(all(valid_num >= 2 & ge3_num >= 2)) %>%
  pull(geneid)

# 提取最终过滤结果
result <- test[keep_genes, ]

运行后得到的result和你给出的预期输出完全一致。

逻辑说明 #

• 用正则提取列名前缀作为条件分组，比手动拆分字符串兼容性更好
• 转长表后按「基因+条件」分组，同时统计两个规则的匹配情况，避免多步操作产生的逻辑误差
• 最后按基因聚合，要求所有条件都满足规则，就可以准确过滤掉类似gene_0007这类单条件不符合的基因。

如果要修改你原来的代码，只需要把最后一步的全局过滤替换为上面的按条件判断逻辑即可，上述写法更简洁不易出错。

内容的提问来源于stack exchange，提问作者Saraha