Bioconductor Biobase构建ExpressionSet annotatedDataFrameFrom报错

报错触发原因 #

• 直接类匹配错误：annotatedDataFrameFrom函数仅支持接收矩阵、数据框类作为入参，当前抛出的signature "character"报错，本质是函数接收到的入参为字符类型，和预设的方法签名不匹配。常见触发场景包括：
  • 用read.csv()搭配sep="\t"读取制表符分隔文件时，分隔符识别错位，将整个文件读为单列字符向量，未生成预期的数据框结构
  • 操作过程中误将字符向量覆盖原本的数据框对象，传入函数时触发类校验失败
• 方法选择偏差：annotatedDataFrameFrom是Biobase早期版本的辅助构造函数，类校验逻辑严格，对普通数据框的兼容性较差，容易无触发缘由地抛出方法匹配错误。
• 维度匹配隐患：当前基因注释数据框共40223行，计数矩阵仅40220行，二者基因条目数量不一致，即使解决了类匹配报错，后续仍会触发维度不匹配错误。

调整步骤与修正代码 #

• 替换读文件工具：读取制表符分隔的文本文件时，使用read.delim()替代read.csv()，从根源上避免分隔符参数失效导致的读入格式错误
• 增加维度对齐逻辑：
  • 基因注释需完全匹配计数矩阵的行名顺序，剔除计数矩阵中不存在的多余基因条目
  • 样本属性需完全匹配计数矩阵的列名顺序，剔除计数矩阵中不存在的多余样本条目
• 替换属性构造方法：使用Bioconductor原生推荐的AnnotatedDataFrame()构造器生成属性对象，替代兼容性较差的annotatedDataFrameFrom()，从根源上避免类签名匹配问题。

修正后的完整可运行代码如下：

# 读入计数矩阵，关闭自动列名修正避免样本名错位
exprs <- as.matrix(
  read.delim(
    "counts.txt",
    sep = "\t",
    header = TRUE,
    row.names = 1,
    check.names = FALSE
  )
)

# 读入并整理基因注释
features <- read.delim("features.txt", sep = "\t", check.names = FALSE)
rownames(features) <- features$ID
features$ID <- NULL
# 对齐基因和计数矩阵的行名，过滤多余基因
features <- features[rownames(exprs), ]

# 读入并整理样本属性
phenotypes <- read.delim("phenotypes.txt", sep = "\t", check.names = FALSE)
rownames(phenotypes) <- phenotypes$X1
phenotypes$X1 <- NULL
# 对齐样本和计数矩阵的列名，过滤多余样本
phenotypes <- phenotypes[colnames(exprs), ]

# 加载Biobase包
library(Biobase)

# 构造ExpressionSet对象
eset <- ExpressionSet(
  assayData = exprs,
  phenoData = AnnotatedDataFrame(phenotypes),
  featureData = AnnotatedDataFrame(features)
)

# 校验对象结构
eset

补充注意事项 #

• 读文件时设置check.names = FALSE，避免R自动对列名中的特殊字符做转义修改，导致后续名称匹配失败
• 维度对齐步骤是ExpressionSet构建的强制要求：assayData的行数必须和featureData的行数一致，assayData的列数必须和phenoData的行数一致，名称必须一一对应
• 新版Biobase已逐步弱化annotatedDataFrameFrom方法的使用，直接传入数据框到AnnotatedDataFrame()是官方推荐的标准构造流程。

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