R 用VCF文件中的DNA字母替换数字基因型代码

这里我有一个修改过的VCF文件，其中每个序列行的基因型都用数字表示，相应的SNP字母在SNP列的列表中（我通过聚合Ref和Alt列生成了该列）

使用dplyr，我想用SNP字母替换数值。所有位置都是纯合的，SNP列表按照数字基因型的顺序排列，因此使用数字基因型的第一个数字（加1）应该给出相应SNP字母的列表索引。像这样：

                  Ref   1st Alt   2nd Alt   3rd Alt
SNP letter:       C     A         T         G
Numeric genotype: 0     1         2         3
List index:       1     2         3         4

修改的VCF数据帧：

CHR   POS   SNP              Line1   Line2   Line3
01    10    c("A", "G")      0|0     1|1     0|0
01    20    c("C", "T", "A") 2|2     0|0     1|1
02    15    c("G", "T")      1|1     0|0     1|1

期望输出：

CHR   POS   SNP              Line1   Line2   Line3
01    10    c("A", "G")      A       G       A
01    20    c("C", "T", "A") A       C       T
02    15    c("G", "T")      T       G       T

到目前为止，我已经尝试过这样的方法：

VCF %>%
    rowwise() %>%
    mutate_at(vars(4:ncol(.)), funs(str_replace(., "^(\\d)|\\d", SNP[[1]]["\\1"+1])))

但都没有成功

提前感谢您的帮助

结构是：

VCF <- structure(list(CHR = c("01", "01", "01"), POS = c(29463, 
29517, 29522), SNP = list(c("T", "C"), c("C", "G", "A"), c("T", 
"C")), PI548298 = c("0|0", "0|0", "1|1"), PI548488 = c("0|0", "0|0", 
"0|0"), PI548348 = c("0|0", "0|0", "1|1")), class = c("tbl_df", 
"tbl", "data.frame"), row.names = c(NA, -3L))

---

VCF我们可以通过使用
substr
来获得每个
PI
列的第一个字符（因为这就是我们需要的所有信息），将其转换为数字，添加1（因为R索引从1开始），然后使用它来子集
SNP
列

通过使用
行方式
，我们将此函数分别应用于每一行，并利用该行的SNP向量：

library(tidyverse)

VCF %>%
    rowwise() %>%
    mutate_at(vars(starts_with('PI')),
              list(~ SNP[as.numeric(substr(., 0, 1)) + 1]))

Source: local data frame [3 x 6]
Groups: <by row>

# A tibble: 3 x 6
  CHR     POS SNP       PI548298 PI548488 PI548348
  <chr> <dbl> <list>    <chr>    <chr>    <chr>   
1 01    29463 <chr [2]> T        T        T       
2 01    29517 <chr [3]> C        C        C       
3 01    29522 <chr [2]> C        T        C  

库（tidyverse）
VCF%>%
行（）
在（vars）（以（'PI'）开头）处变异，
列表（~SNP[as.numeric（substr（，0，1））+1]））
来源：本地数据帧[3 x 6]
组：
#一个tibble:3x6
CHR POS SNP PI548298 PI548488 PI548348
10129463吨
20129517摄氏度
30129522摄氏度
1）您能否使用
dput
发布您的数据，以便我们可以使用您实际拥有的数据？例如，SNP真的是包含R表达式的字符串，而不是实际的向量或列表吗？2） 在3行列中，是否存在杂合SNPs？我们可以忽略每个“行”列中的第二个数字吗？如果没有，您希望如何处理该问题？编辑为包含dput。是的，所有的位置都是纯合的，所以第二个数字可以忽略。这太完美了。谢谢你@divibisan。