问题标签 [pyranges]

在 R 中（尽管冗长）：

这是一个测试data.frame

首先，我制作 Granges 对象：

然后我减少间隔以折叠成新的农庄对象：

现在将一个新列附加到原始数据帧，以确认哪些行属于相同的连续“块”。

输出：

我如何在 Python 中做到这一点？我知道 pybedtools，但据我所知，这需要我将 data.frame 保存到磁盘。任何帮助表示赞赏。

我试图找到至少重叠用户设置的某个最小重叠长度的间隔对。间隔来自这个熊猫数据框：

其中start_pos是间隔开始的地方，end_pos是间隔结束的地方。read_length 是间隔的长度。

数据按 start_pos 排序。

该程序应具有以下输出格式：

query_id1 -- query_id2 -- 读取长度1 -- 读取长度2 -- 重叠长度

我在具有高达 512gb RAM 和 4x Intel Xeon E7-4830 CPU（32 核）的计算节点上运行该程序。

我尝试运行自己的代码来查找重叠部分，但运行时间太长。

这是我尝试过的代码，

同样，我在计算节点上运行了这段代码，但在我最终取消作业之前它运行了几个小时。

我还尝试使用两个包来解决这个问题——PyRanges，以及一个名为 IRanges 的 R 包，但它们也需要很长时间才能运行。我已经看过关于区间树和一个名为 pybedtools 的 python 库的帖子，我计划下一步研究它们。

任何反馈将不胜感激

编辑：对于最小重叠长度，比如 800，前 5 行应该是这样的，

因此，query_id1 和 query_id2 不能相同。此外，没有重复（即 A 和 B 之间的重叠不应在输出中出现两次）。

来自类似名称包的 Pyranges 类有两种功能略有不同的方法： intersect和 overlay。相交方法描述与重叠的方法描述非常相似：Return overlapping subintervals.vsReturn overlapping intervals. 我无法完全看出这两者之间的区别（是的，我注意到了那个sub前缀）。

是否overlap旨在显示至少在一个位置重叠的完整间隔？

我有一个包含变体信息的 .vcf 文件和一个包含区域研究信息的 .bed 文件。我正在使用pyranges库来读取 .bed 文件。我想过滤掉 .vcf 文件中位于 .bed 文件中指定的研究区间内的所有变体。由于 pyranges 提供了一个 pandas 数据框，我可以遍历每一行并检查我的变体位置的包含情况；但是，我正在寻找一个可以帮助我实现这一目标的 API。

例子：

是否有 API 来查找染色体“chr1”的染色体位置 125 是否位于任何区间内。在上述情况下，它将为 True，因为 125 位于区间 100 - 150 中。

我有多个 .bed 文件，我想对它们执行连接、交集等操作。我正在使用pyranges库来读取 .bed 文件并执行这些操作。由于 .bed 文件允许命名带有或不带有“chr”前缀的染色体，我想在执行操作之前将不同 .bed 文件中的所有染色体名称格式化为相同的格式。因此，操作会产生预期的输出。

我试过了，

使用上面的代码，染色体名称被格式化，但染色体名称在 pyranges 中的映射保持不变。因此，join 或 query py1["1"] 之类的操作无法按预期工作。

有没有办法使用 pyranges 获得所需的行为？