Question

我有一个数据集，缩写在这里：

SNP chr       BP log10   PPA
rs10068  17 56555 1.16303 0.030
rs10032  17 56561 26.364 0.975
rs10354  17 34951 4.3212 0.626
rs10043  17 20491 0.00097 0.006
rs10457  17 69572 -0.38403 0.014
rs10465  17 69872 8.19547 0.927

其中PPA是后关联概率。由于我有一些较高的log10值（> 6），我想确定这些区域周围的可靠间隔，以确定它们确实有多大或多小。

为此，我首先想要识别具有log10＆gt;的SNP。 6，使用子集很简单。

newdata <- subset(data, log10 > 6)

然而，我还想在该子集中包括物理上靠近这些前导SNP的SNP，使用BP 500 +/-前导SNP的BP（log10> 6）。在这里，我不确定最好的方法。这是我可以在subset中使用的东西，还是我应该首先在原始数据中识别这些先导SNP，然后从那里进行分组？

一旦我隔离了这些区域，我就能继续前进。

任何建议表示赞赏！

Answer 1

s <- read.table(header=T, text="SNP chr       BP log10   PPA
rs10068  17 56555 1.16303 0.030
rs10032  17 56561 26.364 0.975
rs10354  17 34951 4.3212 0.626
rs10043  17 20491 0.00097 0.006
rs10457  17 69572 -0.38403 0.014
rs10465  17 69872 8.19547 0.927")

距离s $ log10＆gt;的任何行的距离6：

outer(s$BP[s$log10 > 6], s$BP, '-')
##       [,1]  [,2]  [,3]  [,4]   [,5]   [,6]
## [1,]     6     0 21610 36070 -13011 -13311
## [2,] 13317 13311 34921 49381    300      0

上面的任何列的绝对值< 500是你想要保留的：

s[apply(outer(s$BP[s$log10 > 6], s$BP, '-'), 2, function(x) any(abs(x) < 500)),]
##       SNP chr    BP    log10   PPA
## 1 rs10068  17 56555  1.16303 0.030
## 2 rs10032  17 56561 26.36400 0.975
## 5 rs10457  17 69572 -0.38403 0.014
## 6 rs10465  17 69872  8.19547 0.927

Answer 2

对于它的价值，这是使用GenomicRanges包的解决方案。此包基于IRanges构建，使用interval trees非常有效地处理间隔数据。这应该能够处理所有不同的染色体。

首次加载数据：

# load data
df <- read.table(header=T, text="SNP chr       BP log10   PPA
rs10068  17 56555 1.16303 0.030
rs10032  17 56561 26.364 0.975
rs10354  17 34951 4.3212 0.626
rs10043  17 20491 0.00097 0.006
rs10457  17 69572 -0.38403 0.014
rs10465  17 69872 8.19547 0.927")

获取log10＆gt;的子集6
```
df.f <- df[df$log10 > 6, ]
```

在初始数据和子集

上加载和创建范围

require(GenomicRanges)
df.gr <- GRanges(Rle(df$chr), IRanges(df$BP, df$BP))
df.f.gr <- GRanges(Rle(df.f$chr), IRanges(df.f$BP, df.f$BP))

使用log10＆gt;查找数据的所有重叠项6与所有其他SNP的间隙= +/- 500
```
olaps <- findOverlaps(df.f.gr, df.gr, maxgap=500)
```

获取输出

# if you just want a whole data.frame with ALL SNPs that have 
# log > 6 or within 500 bases of one with log > 6, then,        
out <- df[subjectHits(olaps), ] 

#       SNP chr    BP    log10   PPA
# 1 rs10068  17 56555  1.16303 0.030
# 2 rs10032  17 56561 26.36400 0.975
# 5 rs10457  17 69572 -0.38403 0.014
# 6 rs10465  17 69872  8.19547 0.927

# In case you want for each SNP that has log > 6, all of the 
# snps that are within 500 bases (either side) apart for 
# this SNP, separately, then,
out.list <- split(out, df$BP[queryHits(olaps)])
# $`56555`
#       SNP chr    BP    log10   PPA
# 1 rs10068  17 56555  1.16303 0.030
# 2 rs10032  17 56561 26.36400 0.975
#     
# $`56561`
#       SNP chr    BP    log10   PPA
# 5 rs10457  17 69572 -0.38403 0.014
# 6 rs10465  17 69872  8.19547 0.927

基于多列隔离数据区域

2 个答案: