R：如何根据第一个字符 0|0 vs 1|0 vs 0|1 vs 1|1 重新编码值

Question

预先感谢您的帮助。

我正在尝试重新编码一个包含以 VCF 格式编码的基因型的基因数据库。 对于上下文，VCF 格式以这种格式编码：'0|0:0,0:0:1,0,0'。 我最感兴趣的是前两个（/三个如果包括|）字符： 0|0 :0,0:0:1,0,0。 如果这些为 0|0，则意味着该人具有两个显性等位基因。 如果这些是 1|1，则两个隐性等位基因。 1|0 和 0|1 是两者的混合。

我正在研究一个名为“gg”的数据框，它包含大约 120 列（每个 SNP 一个）和 1500 行（研究中的每个主题一个）。

我正在尝试将 SNP 从其当前格式重新编码为更易于分析的格式：

• 0|0 = 两个显性等位基因 - 重新编码为 0
• 0|1 或 1|0 = 一个显性和一个隐性的混合 - 重新编码为 1
• 1|1= 两个隐性 - 重新编码为 2

我尝试了几种方法。 我最近尝试的事情已经接近了。 我尝试了以下方法：

gg[grep("0|0", gg)] <- "0"

奇怪的是，这使得整个数据库的所有值都为 0。 我认为这是因为它将 0|0 解释为“如果值包含零或零，则重新编码为零”（并且所有值都至少包含一个零）。

我想传达的是，如果值以 EXACT 字符 0|0 开头，则重新编码为 1，如果它以 0|1 或 1|0 的 EXACT 字符开头，则重新编码为 1，如果它以 EXACT 开头，则重新编码为 2 1|1 的字符

Answer 1

试试下面的代码

colSums(list2DF(strsplit(substr(gsub("\\|","",gg),1,2),""))=="1")

这使

0 1 1 2

虚拟数据

gg <- c('0|0:0,0:0:1,0,0','10:0,0:0:1,0,0','0|1:0,0:0:1,0,0','11:0,0:0:1,0,0')

Answer 2

稍作修改的选项是

rowSums(read.csv(text = sub("^(\\d)\\|?(\\d).*", "\\1,\\2", gg), 
         header = FALSE) == 1)
#[1] 0 1 1 2

数据

gg <- c('0|0:0,0:0:1,0,0','10:0,0:0:1,0,0','0|1:0,0:0:1,0,0','11:0,0:0:1,0,0')