如何匹配替换文件列内容及转换String-db的Ensembl蛋白ID为HGNC基因符号

嘿，这两个问题本质都是批量匹配替换的场景——一个是通用表格处理，另一个是生物信息学里常见的ID映射，我给你准备了两种实用的解决办法，不管你习惯用Python还是命令行都能搞定！

1. 通用表格匹配替换（文件1列1/2匹配文件2列1，替换为文件2列2） #

方法一：用Python Pandas（适合熟悉编程、需要灵活处理的场景） #

pandas是处理表格数据的神器，几步就能完成匹配替换：

import pandas as pd

# 读取文件，默认按csv处理；如果是制表符分隔的tsv，把sep改成'\t'
file1 = pd.read_csv("file1.csv", sep=",")
# 给文件2指定列名，方便后续调用（假设文件2无表头）
file2 = pd.read_csv("file2.csv", sep=",", header=None, names=["match_id", "replace_val"])

# 把文件2的匹配关系转成字典，键是待匹配的ID，值是要替换的内容
replace_dict = dict(zip(file2["match_id"], file2["replace_val"]))

# 对文件1的第1、2列做替换，没匹配到的内容保留原值（用fillna避免变成空值）
# 如果文件1没有列名，用iloc[:,0]和iloc[:,1]指代第1、2列
file1["col1"] = file1["col1"].map(replace_dict).fillna(file1["col1"])
file1["col2"] = file1["col2"].map(replace_dict).fillna(file1["col2"])

# 保存处理后的结果
file1.to_csv("file1_replaced.csv", index=False, sep=",")

方法二：用命令行awk（适合快速处理大文件，无需编程环境） #

如果你的文件很大，或者不想写代码，awk命令能直接在终端完成操作：

# 假设文件是制表符分隔的tsv，要改成csv的话把FS/OFS改成","
awk 'BEGIN{FS=OFS="\t"} NR==FNR{map[$1]=$2; next} {if($1 in map) $1=map[$1]; if($2 in map) $2=map[$2]}1' file2.txt file1.txt > file1_replaced.txt

简单解释下：

• BEGIN{FS=OFS="\t"}：设置输入输出的分隔符为制表符
• NR==FNR：先处理第一个输入文件（file2），把第1列作为键、第2列作为值存进数组
• 接着处理file1，检查第1、2列是否在映射数组里，在的话就替换，最后1表示打印每一行

2. String-db Ensembl蛋白ID转HGNC基因符号 #

这是第一个问题的具体场景，只需要针对生物信息学数据的特点调整细节：

用Pandas的适配方案 #

import pandas as pd

# 读取String-db的交互文件（String-db默认是tsv格式）
string_db = pd.read_csv("string_interactions.tsv", sep="\t", header=0)
# 读取BioMart下载的映射表，确保列名和你下载的表格对应（比如"Ensembl Protein ID"和"HGNC symbol"）
biomart_map = pd.read_csv("biomart_protein_to_hgnc.tsv", sep="\t")

# 构建映射字典，如果有重复的Ensembl ID，保留第一个对应的HGNC符号
hgnc_dict = dict(zip(biomart_map["Ensembl Protein ID"], biomart_map["HGNC symbol"]))

# 替换String-db的两列蛋白ID，没匹配到的保留原ID
string_db["protein1"] = string_db["protein1"].map(hgnc_dict).fillna(string_db["protein1"])
string_db["protein2"] = string_db["protein2"].map(hgnc_dict).fillna(string_db["protein2"])

# 保存转换后的结果
string_db.to_csv("string_interactions_hgnc.tsv", sep="\t", index=False)

额外注意事项 #

• 如果BioMart的表格里一个Ensembl蛋白ID对应多个HGNC符号，先去重再处理：biomart_map = biomart_map.drop_duplicates(subset="Ensembl Protein ID", keep="first")
• 要是你想过滤掉没有匹配到HGNC符号的行，可以用：string_db = string_db.dropna(subset=["protein1", "protein2"])

内容的提问来源于stack exchange，提问作者Rodrigo Arenas