Pivot_longer：将 GVCF 列转换为行

Question

下午好，

在浏览堆栈溢出并没有找到解决我的特定问题的方法后，我决定询问社区，希望这对其他人也有帮助。

我有联合 VCF 格式的基因数据。我正在尝试将多个列转换为仅两个分别封装样本名称和基因型信息的列。这是一个相当大的数据集，所以我正在尝试设置一个允许我这样做的函数或 for 循环。

这是我正在使用的数据格式的模型

df <- structure(list(Chromosome = c("chr 1", "chr 2", "chr 3", 
"chr 4", "chr 5", "chr 6"), position = c("123444", 
"364829", "098090", "123134", "123234", 
"34234"), reference = c("C", "G", 
"C,GC", "ATTA", "GATTACA", "TC,GCT"
), alt = c("AC,G", "CG.GT", "A,*", 
"GA,CGT", "TA,GTA", "AAC"), 
AD_GT_SAMP_1 = c('0,0|./.|', '148,136|0/1|', '148,132|0/1|', '48,236|1/1|', '0,0|./.|','0,0|./.|'),
V5 = c('zw42dx28.cd14.20180120.ef','zw42dx28.cd14.20180120.ef','zw42dx28.cd14.20180120.ef','zw42dx28.cd14.20180120.ef','zw42dx28.cd14.20180120.ef','zw42dx28.cd14.20180120.ef'),
AD_GT_SAMP_2 = c('0,10|./.|', '148,136|0/1|', '148,132|0/1|', '428,236|1/1|', '10,0|./.|','20,0|./.|'),
V7 = c('xs82d2x8.bulk.20180121.ef','xs82d2x8.bulk.20180121.ef','xs82d2x8.bulk.20180121.ef','xs82d2x8.bulk.20180121.ef','xs82d2x8.bulk.20180121.ef','xs82d2x8.bulk.20180121.ef'))) %>%
as.data.frame()

1:4 列对于所有样本都是恒定的。我希望第 5 列的所有样本名称当前存储在 (data[,c(5,7,9,...)]) 中，第 6 列的基因型信息当前存储在 (data[,c(6, 8,10,...)])

我尝试过使用 pivot_longer，虽然尝试时它没有给我错误：

pivot_longer(data = mock_gvcf, cols = c(V5,V7,etc...), names_to = '.value')

数据集将列一直向右移动（例如，在具有 80 列的数据集中，其中 v5-v7-v9-v11... 保存样本的名称，列的内容不会改变，但会移动到v80 列的右侧）。

编辑：下面的 cmets 有助于有效地整理模拟数据的数据。但是，似乎真实数据集中的名称格式是个问题。

真实数据的 samp_id 格式为：(sampid.celltype.collectiondate.stageofcollection) 其中 sampid 有 4 个不同的名称 celltype 有 4 种不同的类型 收集日期有6个时间点 收集阶段有3个时间点

任何建议将不胜感激。提前谢谢你。

Answer 1

pivot_longer(df, -(1:4),  names_to = c('.value', 'grp'), names_pattern = '(.*)_(\\d+)')

# A tibble: 12 x 7
   Chromosome position reference alt    grp   AD_GT_SAMP   sAMP      
   <chr>      <chr>    <chr>     <chr>  <chr> <chr>        <chr>     
 1 chr 1      123444   C         AC,G   1     0,0|./.|     SAMP1_NAME
 2 chr 1      123444   C         AC,G   2     0,10|./.|    SAMP2_NAME
 3 chr 2      364829   G         CG.GT  1     148,136|0/1| SAMP1_NAME
 4 chr 2      364829   G         CG.GT  2     148,136|0/1| SAMP2_NAME
 5 chr 3      098090   C,GC      A,*    1     148,132|0/1| SAMP1_NAME
 6 chr 3      098090   C,GC      A,*    2     148,132|0/1| SAMP2_NAME
 7 chr 4      123134   ATTA      GA,CGT 1     48,236|1/1|  SAMP1_NAME
 8 chr 4      123134   ATTA      GA,CGT 2     428,236|1/1| SAMP2_NAME
 9 chr 5      123234   GATTACA   TA,GTA 1     0,0|./.|     SAMP1_NAME
10 chr 5      123234   GATTACA   TA,GTA 2     10,0|./.|    SAMP2_NAME
11 chr 6      34234    TC,GCT    AAC    1     0,0|./.|     SAMP1_NAME
12 chr 6      34234    TC,GCT    AAC    2     20,0|./.|    SAMP2_NAME