6

我有一张坐标 ( start, end) 的表格。500000 个片段和另一个带有 60000 个单个坐标的表，我想与以前的片段匹配。即，对于表中的每条记录，dtCoords我需要在dtFrags表中搜索具有相同chr和start<= coord<=的记录end（并type从该记录中检索dtFrags）。为此使用 R 是个好主意，还是我应该看其他语言？

这是我的例子：

require(data.table)

dtFrags <- fread(
  "id,chr,start,end,type
 1,1,100,200,exon
 2,2,300,500,intron
 3,X,400,600,intron
 4,2,250,600,exon
")

dtCoords <- fread(
"id,chr,coord
 10,1,150
 20,2,300
 30,Y,500
")

最后，我想要这样的东西：

"idC,chr,coord,idF,type
 10,  1,  150,  1, exon
 20,  2,  300,  2, intron
 20,  2,  300,  4, exon
 30,  Y,  500, NA, NA
"

我可以通过将表拆分为子表来简化任务chr，因此我只关注坐标

setkey(dtCoords, 'chr')
setkey(dtFrags,  'chr')

for (chr in unique(dtCoords$chr)) {
  dtCoordsSub <- dtCoords[chr];
  dtFragsSub  <-  dtFrags[chr];
  dtCoordsSub[, {
    # ????  
  }, by=id]  
}

但我仍然不清楚我应该如何在里面工作......我将非常感谢任何提示。

UPD。以防万一，我把我的真实表放在了这里的存档中。解压到您的工作目录后，可以使用以下代码加载表：

dtCoords <- fread("dtCoords.txt", sep="\t", header=TRUE)
dtFrags  <- fread("dtFrags.txt",  sep="\t", header=TRUE)
4

2 回答 2

7

一般来说，使用bioconductor包IRanges来处理与间隔相关的问题是非常合适的。它通过实现区间树来有效地做到这一点。GenomicRanges是另一个构建在 之上的包IRanges，专门用于处理“基因组范围”。

require(GenomicRanges)
gr1 = with(dtFrags, GRanges(Rle(factor(chr, 
          levels=c("1", "2", "X", "Y"))), IRanges(start, end)))
gr2 = with(dtCoords, GRanges(Rle(factor(chr, 
          levels=c("1", "2", "X", "Y"))), IRanges(coord, coord)))
olaps = findOverlaps(gr2, gr1)
dtCoords[, grp := seq_len(nrow(dtCoords))]
dtFrags[subjectHits(olaps), grp := queryHits(olaps)]
setkey(dtCoords, grp)
setkey(dtFrags, grp)
dtFrags[, list(grp, id, type)][dtCoords]

   grp id   type id.1 chr coord
1:   1  1   exon   10   1   150
2:   2  2 intron   20   2   300
3:   2  4   exon   20   2   300
4:   3 NA     NA   30   Y   500
于 2013-11-03T12:01:39.510 回答
3

这行得通吗？你可以merge先用再用subset

   kk<-merge(dtFrags,dtCoords,by="chr",all.x=TRUE)
> kk
   chr id.x start end   type id.y coord
1:   1    1   100 200   exon   10   150
2:   2    2   300 500 intron   20   300
3:   2    4   250 600   exon   20   300
4:   X    3   400 600 intron   NA    NA


 kk[coord>=start & coord<=end]
   chr id.x start end type id.y coord
1:   1    1   100 200 exon   10   150
2:   2    4   250 600 exon   20   300
于 2013-11-03T00:50:17.480 回答