如何将非模式生物上调基因列表与注释文件按原序合并

R 实现方案 #

merge()函数默认会按匹配键重排，要严格保留上调基因列表的原始顺序，推荐以下两种方法：

方法1：dplyr 左连接（推荐） #

library(dplyr)

# 读取文件（根据实际文件名调整）
up_genes <- read.csv("上调基因列表.csv", header = TRUE, stringsAsFactors = FALSE)
gene_annot <- read.csv("全基因注释文件.csv", header = TRUE, stringsAsFactors = FALSE)

# 左连接，完全保留up_genes的原始排序
result <- left_join(up_genes, gene_annot, by = "geneID")

# 输出结果文件
write.csv(result, "上调基因注释结果.csv", row.names = FALSE)

方法2：基础R手动匹配（无额外依赖） #

up_genes <- read.csv("上调基因列表.csv", stringsAsFactors = FALSE)
gene_annot <- read.csv("全基因注释文件.csv", stringsAsFactors = FALSE)

# 通过match定位注释行索引，确保顺序一致
match_idx <- match(up_genes$geneID, gene_annot$geneID)
# 合并原列表与对应注释（去重geneID列）
result <- cbind(up_genes, gene_annot[match_idx, setdiff(names(gene_annot), "geneID")])

write.csv(result, "上调基因注释结果.csv", row.names = FALSE)

Shell（WSL）实现方案 #

join命令要求输入文件按键排序，会破坏原始顺序，用awk通过关联数组实现顺序匹配：

awk -F ',' '
# 第一遍读取注释文件，存储geneID与对应注释的映射
NR==FNR { annot[$1] = substr($0, index($0, ",")+1); next }
# 第二遍读取上调基因列表，按原顺序输出基因ID+注释
{ print $0 "," annot[$1] }
' 全基因注释文件.csv 上调基因列表.csv > 上调基因注释结果.csv

特殊情况处理（含逗号的CSV字段） #

如果注释文件存在带逗号的引号包裹字段，用csvkit的csvjoin处理更稳妥：

csvjoin --left --columns geneID 上调基因列表.csv 全基因注释文件.csv > 上调基因注释结果.csv

内容的提问来源于stack exchange，提问作者AOL