如何在多个未列出的字符串中查找匹配值？

Question

我有两个数据集：

#df1:
Gene   interactors
ACE      BRCA, HER2
NOS       NA, NA
P53       NA
CDON      TGBP

df2:
Gene   interactors
AGT      NOS, HER2
NPKB     CDON
P70      GPC
IK       TGBP

我正在寻找 df1 中被列为 df2 交互因子的基因，并识别 df1 中与 df2 中的交互因子相匹配的基因

输出：

Gene   interactors     matched_gene_interactor   matched_interactor_interactor
ACE      BRCA, HER2         FALSE                        TRUE                      
NOS       NA, NA            TRUE                         FALSE
P53       NA                FALSE                        FALSE
CDON      TGBP              TRUE                         TRUE

#ACE has an interactor (HER2) in both df1 and df2
#NOS matches itself as an interactor in df2
#CDON matches itself as an interactor in df2 and as having an interactor (TGBP) in both df1 and df2

我已经能够通过以下代码获取 matched_gene_interactor 列：

df1$matched_gene_interactor <-  df1$Gene %in% unlist(strsplit(df2$interactors, ", "))

但我一直坚持获取第二个 matched_interactor_interactor 列

我已经尝试了一些方法，但还没有找到如何让它达到我想要的第二列的程度，例如：

df1interactors <-  unlist(strsplit(df1$interactors, ", "))
df2interactors <-  unlist(strsplit(df2$interactors, ", "))
matched_interactor_interactor <-  df1interactors %in% df2interactors

如何匹配两个具有未列出的字符串拆分的数据集？我有生物学背景，所以不确定从哪里开始。

示例输入数据：

df1:

structure(list(Gene = c("ACE", "NOS", "P53", "CDON"), interactors = c("BRCA, HER2", 
"NA, NA", NA, "TGBP")), row.names = c(NA, -4L), class = c("data.table", 
"data.frame"))

df2:

structure(list(Gene = c("AGT", "NPKB", "P70", "IK"), interactors = c("NOS, HER2", 
"CDON", "GPC", "TGBP")), row.names = c(NA, -4L), class = c("data.table", 
"data.frame"))

Answer 1

您可以用逗号拆分 df2 的 interactors，并且对于每一行检查是否存在 df1 中 interactors 的任何值。

temp <- unlist(strsplit(df2$interactors, ', '))
df1$matched_interactor_interactor <- sapply(strsplit(df1$interactors, ', '), 
                                      function(x) any(x %in% temp))

df1
#   Gene interactors matched_gene_interactor matched_interactor_interactor
#1:  ACE  BRCA, HER2                   FALSE                          TRUE
#2:  NOS      NA, NA                    TRUE                         FALSE
#3:  P53        <NA>                   FALSE                         FALSE
#4: CDON        TGBP                    TRUE                          TRUE

如果 df2$interactors 不是很大，您也可以通过创建动态正则表达式模式在不拆分 df1$interactors 的情况下执行此操作：

grepl(paste0('\b', temp, '\b', collapse = '|'), df1$interactors)
#[1]  TRUE FALSE FALSE  TRUE

如何在多个未列出的字符串中查找匹配值？

How to finding matching values in multiple unlists of strings?

string

r

strsplit

dataframe