R中基因型的設計矩陣

Question

我正在尋找一種有效的方法來為 R 中的基因型創建“參數化”設計矩陣。我有一個大文件（大約 3 gb），其中包含動物及其基因型。 示例數據如下所示：

snp id a1 a2 code
snp1 an1 A A 0
snp1 an2 A B 1
snp1 an3 B B -1
snp2 an1 A B 1
snp2 an2 A A 0
snp2 an3 B B -1

snp是snp的名字（每只動物都有一個snp），id是動物的id（每只動物都有唯一的id），a1是等位基因1，a2是等位基因2，code表示基於等位基因的基因型，如果動物有兩個A，它的代碼是0，如果動物有AB，它的代碼是-1，如果它是BB，代碼是1。

現在我需要根據該設計矩陣進行創建，該矩陣在行中將有動物（數據中的 id 列），在列中為 SNP（數據中的 snp 列）和“單元格”（在行和列的交叉處）我需要代碼列中的值。 所以最后，它應該是這樣的：

an1 0 1
an2 1 0
an3 -1 -1

我知道在效率和速度的情況下，R 有限制，但是，我仍然需要在 R 中可以獲得的最快解決方案。

Answer 1

通常 data.table 包在這些類型的情況下性能非常好。 下面的例子：

library(data.table)
#> Warning: package 'data.table' was built under R version 4.1.1

df <- fread(text = "snp id a1 a2 code
snp1 an1 A A 0
snp1 an2 A B 1
snp1 an3 B B -1
snp2 an1 A B 1
snp2 an2 A A 0
snp2 an3 B B -1")

dcast(df, id ~ snp, value.var = "code")
#>     id snp1 snp2
#> 1: an1    0    1
#> 2: an2    1    0
#> 3: an3   -1   -1

^{由reprex 包(v2.0.1) 於 2021 年 10 月 13 日創建}

如果您需要將輸出作為矩陣，您可以使用：

cast <- dcast(df, id ~ snp, value.var = "code")
mat <- as.matrix(cast[, -"id"])
rownames(mat) <- cast$id
mat
#>     snp1 snp2
#> an1    0    1
#> an2    1    0
#> an3   -1   -1

對於 ~3Gb 文件，您可能希望它運行大約 10 秒：

library(data.table)
#> Warning: package 'data.table' was built under R version 4.1.1

# Setting up larger data
df <- expand.grid(
  snp = paste0("snp", 1:10000),
  id  = paste0("an", 1:10000)
)
df$a1 <- sample(c("A", "B"), nrow(df), replace = TRUE)
df$a2 <- sample(c("A", "B"), nrow(df), replace = TRUE)
df$code <- with(df, dplyr::case_when(
  a1 == "A" & a2 == "A" ~ 0,
  a1 == "B" & a2 == "B" ~ -1,
  TRUE ~ 1
))
setDT(df)

# How big is this data?
format(object.size(df), "Gb")
#> [1] "3 Gb"

# How fast does the function run?
bench::mark(
  dcast(df, id ~ snp, value.var = "code")
)
#> Warning: Some expressions had a GC in every iteration; so filtering is disabled.
#> # A tibble: 1 x 6
#>   expression                                   min   median `itr/sec` mem_alloc
#>   <bch:expr>                              <bch:tm> <bch:tm>     <dbl> <bch:byt>
#> 1 dcast(df, id ~ snp, value.var = "code")    9.32s    9.32s     0.107    6.71GB
#> # ... with 1 more variable: gc/sec <dbl>

^{由reprex 包(v2.0.1) 於 2021 年 10 月 13 日創建}