R语言基于唯一ENSG ID去除基因列表重复条目问题咨询

通用ENSG_ID去重方法 #

直接将duplicated()函数作用于ENSG_ID列即可实现按唯一ENSG ID去重，默认会保留每个ENSG ID第一次出现的条目：

# 保留每个ENSG_ID第一次出现的非重复条目
annotation1 <- annotation1[!duplicated(annotation1$ENSG_ID), ]

如果使用tidyverse生态的dplyr包，也可以用更简洁的写法：

library(dplyr)
annotation1 <- annotation1 %>% 
  distinct(ENSG_ID, .keep_all = TRUE)

优先保留指定ENSG对应条目的定制化去重 #

如果你需要明确保留ENSG00000187134对应的AKRC1条目，可先对数据集做优先级排序，让目标条目排在对应ENSG ID的第一位，去重时就会自动保留目标条目：

library(dplyr)
annotation1 <- annotation1 %>%
  # 构造优先级字段：目标条目优先级设为1，其余为2
  mutate(priority = ifelse(ENSG_ID == "ENSG00000187134" & GeneSymbol == "AKRC1", 1, 2)) %>%
  # 按优先级升序排列，目标条目会排在最前
  arrange(priority) %>%
  # 按ENSG_ID去重，保留第一个出现的条目
  distinct(ENSG_ID, .keep_all = TRUE) %>%
  # 移除辅助的优先级字段
  select(-priority)

注意事项 #

• 去重前建议先统计重复的ENSG ID数量，确认是否符合预期：sum(duplicated(annotation1$ENSG_ID))
• 如果存在ENSG_ID为空的条目，建议先过滤空值再执行去重，避免误删

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