检查重叠基因组区域的算法

Question

我有两个床文件形式的两大基因组区域列表，有很多工具可以帮助我检查两个列表的重叠。

任何给定的区域（列表A中的一个，列表B中的另一个），只要它们在任何坐标中重叠，它们就称为重叠。有可用的工具来做到这一点。但我希望编写一个有效的算法，我可以在列表A中维护类似哈希表的结构，然后迭代列表B中的所有区域，并且对于列表中的每个区域，BI可以使用快速算法来判断是否有些列表A中的区域与列表B中的特定区域重叠。

我特别需要一个有效的解决方案，因为两个列表都非常大。非常感谢。

Answer 1

一种选择是：

1. 在一个BED文件中创建区域的一维R树。为每个外显子插入一个范围。
2. 对于另一个BED文件中的每个区域，搜索R树 该地区每个外显子的交叉点。

对于Java，有多种R树实现。我在库SIRtree中使用的支持1维范围的JTS。它提供了插入范围和搜索交叉点的简单方法。

内存中表示的任何数据结构都将成为足够大的BED文件的可扩展性问题。您可以通过增加VM可用的内存量（硬件和-Xmx设置）或通过在磁盘上表示数据结构来解决此问题。