Question

我想知道定义给定范围集未涵盖的所有范围的最佳方法是什么。例如，如果我有一组已知坐标的基因：

dtGenes <- fread(
  "id,start,end
 1,1000,1300
 2,1200,1500
 3,1600,2600
 4,3000,4000
")

让我说我知道染色体的总长度（为简单起见，假设它们都在同一条染色体上）是10000.所以，最后我希望有以下基因间区域列表：

"startR,endR
    0,1000
 1500,1600
 2600,3000
 4000,10000
"

Bioconductor的IRange在这里有用吗？还是有其他好方法可以解决这个问题？

Answer 1

使用Bioconductor包GenomicRanges，将原始数据转换为GRanges

library(GenomicRanges)
gr <- with(dtGenes, GRanges("chr1", IRanges(start, end, names=id),
                            seqlengths=c(chr1=10000)))

然后找到基因之间的差距

gaps <- gaps(gr)

GRanges知道链。您没有在GRanges构造函数中指定链，因此已为链分配了*。因此，+， - 和*链上存在“缺口”，而您只对*链上的那些感兴趣

> gaps[strand(gaps) == "*"]
GRanges with 4 ranges and 0 metadata columns:
      seqnames        ranges strand
         <Rle>     <IRanges>  <Rle>
  [1]     chr1 [   1,   999]      *
  [2]     chr1 [1501,  1599]      *
  [3]     chr1 [2601,  2999]      *
  [4]     chr1 [4001, 10000]      *
  ---
  seqlengths:
    chr1
   10000

请注意Bioconductor约定，染色体从1开始，范围已关闭 - start和end坐标包含在范围内。在shift上使用narrow和gr可使您的范围与Bioconductor约定一致。 GRanges操作在数百万个范围内都是有效的。

Answer 2

您可以使用reduce包

中的IRanges

首先从左到右依次对x中的范围进行排序，然后进行合并重叠或相邻的。

library(IRanges)
dat <- read.csv(text="id,start,end
 1,1000,1300
 2,1200,1500
 3,1600,2600
 4,3000,4000
")

ir <- IRanges(dat$start,dat$end)
rir <- reduce(ir)
IRanges of length 3
    start  end width
[1]  1000 1500   501
[2]  1600 2600  1001
[3]  3000 4000  1001

查找定义的范围集之外的所有范围

2 个答案: