生物专业者求助：R构建蛋白-菌株共现矩阵及相关技术疑问

嘿，作为生物专业的同学，咱们用R处理这类互作数据其实不用搞复杂的元组操作，用tidyverse这套工具就能轻松搞定，还能避开你提到的sparse()函数的困惑（那个是Matrix包的sparseMatrix()，适合超大数据集，咱们小数据用常规方法更直观）。下面直接给你完整的解决方案，再一步步拆解细节：

完整可运行代码 #

先给你能直接复制跑的流程，后面再解释每一步：

# 先安装需要的包（第一次用的话运行这行）
install.packages(c("tidyverse", "pheatmap", "viridis"))

# 加载工具包
library(tidyverse)
library(pheatmap)
library(viridis)

# 你的样本数据（转成数据框比矩阵更方便后续操作）
human.uniprots <- c("P15311", "P0CG48", "Q8WYH8", "P42224", "Q9NXR8", "P40763", "P05067", "P60709", "Q9UDW1", "Q9H160", "Q9UKL0", "P26038", "P61244", "O95817", "Q09472", "P15311","P05067", "P60709", "Q9UDW1", "Q9H160")
strains <- rep(c("A", "B", "C", "C"), each = 5)
final <- data.frame(human.uniprots, strains)

# 1. 统计每个蛋白-菌株的互作次数
count_df <- final %>%
  count(human.uniprots, strains, name = "interaction_times")

# 2. 转换为你想要的宽格式矩阵，无互作的单元格补0
h.map <- count_df %>%
  pivot_wider(names_from = strains, values_from = interaction_times, values_fill = 0)

# 3. 计算每个蛋白互作的菌株数量，并按该数量降序排序
h.map <- h.map %>%
  # 统计有互作的菌株个数（不是总次数哦）
  mutate(interacted_strain_num = rowSums(select(., -human.uniprots) > 0)) %>%
  # 先按菌株数量降序，数量相同的按蛋白ID排序
  arrange(desc(interacted_strain_num), human.uniprots)

# 4. 生成可视化热图
heatmap_data <- h.map %>%
  column_to_rownames("human.uniprots") %>%
  select(-interacted_strain_num) # 去掉辅助列，只保留互作次数数据

pheatmap(heatmap_data,
         main = "Bacterial Strains vs Human Proteins Interaction Heatmap",
         xlab = "Bacterial Strains",
         ylab = "Human Uniprot IDs",
         color = viridis(10), # 用viridis颜色，色盲友好
         cellwidth = 40, cellheight = 20) # 调整单元格大小适配你的数据

关键步骤拆解 #

1. 数据预处理 #

把你用cbind生成的矩阵转成data.frame，因为矩阵只能存同类型数据，而数据框更适合后续的统计操作。

2. 统计互作次数 #

用dplyr::count()直接统计每个蛋白-菌株组合的出现次数，自动生成interaction_times列，这比手动匹配元组高效太多，完全不用纠结元组操作。

3. 转宽格式矩阵 #

tidyr::pivot_wider()是核心：把长格式的统计数据转换成你想要的“行=蛋白，列=菌株”的矩阵格式，values_fill = 0会自动把没有互作的单元格补0，完美符合你的需求。

4. 按互作菌株数量排序 #

这里要注意：我们要统计的是蛋白与多少种不同菌株互作，而不是总互作次数。所以用rowSums(select(., -human.uniprots) > 0)：先筛选掉蛋白ID列，然后判断每个菌株列是否有互作（值>0），求和后得到该蛋白的互作菌株总数。最后用arrange(desc(...))降序排列，这样和所有菌株互作的蛋白就会排在最前面。

5. 热图可视化 #

用pheatmap生成热图，先把蛋白ID转成行名，去掉辅助的统计列，再设置标题、坐标轴标签和色盲友好的viridis颜色方案，生成的图清晰直观，适合展示给导师或用于论文。

关于sparse()函数的说明 #

你看到的sparse()应该是Matrix包的sparseMatrix()，它主要用来处理百万级以上的超大矩阵，目的是节省内存。但咱们的数据集很小，用常规的宽格式矩阵完全够用，而且更易读、易调试，没必要用稀疏矩阵。

内容的提问来源于stack exchange，提问作者potato