Question

我有2个表（数据和参考;下面的玩具示例）。这些表有START和END位置，我想检查重叠（使用data.table包中的foverlaps之类的东西），然后将值拆分如下所示。

>data  <- data.table(ID=c(1,2,3), Chrom=c(1,1,2), Start=c(1,500,1000), End=c(900,5000,5000), Probes=c(899,4500,4500))
>Ref.table <- data.table(Chrom=c(1,2), Split=c(1000,2000))

>Ref.table
Chrom    Split
1        1000
2        2000

>data
ID    Chrom    Start    End    Probes
1     1        1        900    899
2     1        500      5000   4500
3     2        1000     5000   4000

正如您所看到的，ID 1与参考表没有重叠，所以它将保持不变。但是，ID 2＆amp; 3，我想根据Ref.table进行拆分。

我想得到的结果是：

>result
ID    Chrom    Start    End    Probes
1     1        1        900    899
2     1        500      1000   500
2     1        1001     5000   4000
3     2        1000     2000   1000
3     2        2001     5000   3000

我相信你可以看到，这有两个部分： 1.根据单独的表将范围拆分为两列 2.在两个部分之间按比例分割＃探针

我一直在寻找可以做到这一点的R包（通过染色体臂分开范围），但是还没有能够找到如上所示的那个。任何功能包的链接都会受到赞赏，但我也愿意自己编写代码...稍微帮助。

到目前为止，我只能使用foverlaps来确定是否存在重叠：例如：

>foverlaps(Ref.table[data[14]$Chrom], data[14], which=TRUE)
     xid   yid
1:    1     1

Answer 1

这是一个可能的foverlaps解决方案（如Q中所述）。

前两个步骤很简单且非常惯用，将 End 列添加到Ref.table，因此我们将重叠间隔，然后按Chrom键入两个数据集间隔列（在v 1.9.5+中，您现在可以指定by.x和by.y而不是）并且只需运行foverlaps

library(data.table)
setDT(Ref.table)[, End := Split]
setkey(Ref.table)
setkey(setDT(data), Chrom, Start, End)
res <- foverlaps(data, Ref.table)
res
#    Chrom Split  End ID Start i.End Probes
# 1:     1    NA   NA  1     1   900    899
# 2:     1  1000 1000  2   500  5000   4500
# 3:     2  2000 2000  3  1000  5000   4000

现在我们有重叠，我们需要根据匹配增加数据集大小。我们可以在is.na(Split)上对此进行调节（这意味着没有找到重叠）。我不确定这部分是否可以更有效地完成

res2 <- res[, if(is.na(Split)) .SD else rbind(.SD, .SD), by = .(ID, Chrom)]
## Or, if you only have one row per group, maybe
## res2 <- res[, if(is.na(Split)) .SD else .SD[c(1L,1L)], by = .(ID, Chrom)]

现在，最后两个步骤将根据新列值更新End和Start列，然后更新Probes列

res2[!is.na(Split), `:=`(i.End = c(Split[1L], i.End[-1L]),
                         Start = c(Start[-1L], Split[1L] + 1L)), 
     by = .(ID, Chrom)]
res2[!is.na(Split), Probes := i.End - Start]
res2
#    ID Chrom Split  End Start i.End Probes
# 1:  1     1    NA   NA     1   900    899
# 2:  2     1  1000 1000   500  1000    500
# 3:  2     1  1000 1000  1001  5000   3999
# 4:  3     2  2000 2000  1000  2000   1000
# 5:  3     2  2000 2000  2001  5000   2999

（如果您愿意，可以删除不需要的列）

Answer 2

首先定义分裂函数：

splitter<-function(data, reftable){
  splitsite <- which(reftable$Chrom == data$Chrom)
  if(reftable$Split[splitsite] > data$Start && reftable$Split[splitsite] <= data$End){
    return(data.frame(ID = data$ID,
                      Chrom = data$Chrom,
                      Start = c(data$Start, reftable$Split[splitsite] + 1),
                      End = c(reftable$Split[splitsite],data$End),
                      Probes = c((reftable$Split[splitsite]- data$Start)*data$Probes/(data$End-data$Start),
                                 ((data$End - (reftable$Split[splitsite] + 1))*data$Probes/(data$End-data$Start)))))
  } else {
    return(data)
  }  
}

然后我们可以使用dplyr：

在每一行上运行它

library(dplyr)
data %>% group_by(ID) %>%
         do(splitter(., ref.table))

给出以下内容。您可以看到它有3999和2999，而不是您的4000和3000，我不确定您想要哪一个基于您的行1.您可以通过在((data$End - (reftable$Split[splitsite] + 1))

中删除+1来解决它

  ID Chrom Start  End Probes
1  1     1     1  900    899
2  2     1   500 1000    500
3  2     1  1001 5000   3999
4  3     2  1000 2000   1000
5  3     2  2001 5000   2999

Answer 3

这是我的方法：

merge(data, Ref.table, by = "Chrom") %>% 
  mutate(
    end = ifelse(Split > Start & Split < End, Split, End),
    start2 = ifelse(Split > Start & Split < End, end + 1, NA),
    end2 = ifelse(Split > Start & Split < End, End, NA)
    ) %>%
  select(-End, -Probes, -Split) %>% 
  gather(label, value, Start, end, start2, end2, na.rm = TRUE) %>% 
  mutate(
    rep = ifelse(label %in% c("Start", "end"), 1, 2),
    label = as.character(label),
    label = ifelse(label %in% c("Start", "start2"), "start", label),
    label = ifelse(label %in% c("end", "end2"), "end", label)
    ) %>%
  spread(label, value) %>%
  select(ID, Chrom, start, end) %>%
  mutate(probes = end - start)

R - 将数据帧行拆分为两行

3 个答案: