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]$Chrom], data[14], which=TRUE)
xid yid
1: 1 1
答案 0 :(得分:5)
这是一个可能的foverlaps
解决方案(如Q中所述)。
前两个步骤很简单且非常惯用,将 End 列添加到Ref.table
,因此我们将重叠间隔,然后按Chrom
键入两个数据集间隔列(在v 1.9.5+中,您现在可以指定by.x
和by.y
而不是)并且只需运行foverlaps
library(data.table)
setDT(Ref.table)[, End := Split]
setkey(Ref.table)
setkey(setDT(data), Chrom, Start, End)
res <- foverlaps(data, Ref.table)
res
# Chrom Split End ID Start i.End Probes
# 1: 1 NA NA 1 1 900 899
# 2: 1 1000 1000 2 500 5000 4500
# 3: 2 2000 2000 3 1000 5000 4000
现在我们有重叠,我们需要根据匹配增加数据集大小。我们可以在is.na(Split)
上对此进行调节(这意味着没有找到重叠)。我不确定这部分是否可以更有效地完成
res2 <- res[, if(is.na(Split)) .SD else rbind(.SD, .SD), by = .(ID, Chrom)]
## Or, if you only have one row per group, maybe
## res2 <- res[, if(is.na(Split)) .SD else .SD[c(1L,1L)], by = .(ID, Chrom)]
现在,最后两个步骤将根据新列值更新End
和Start
列,然后更新Probes
列
res2[!is.na(Split), `:=`(i.End = c(Split[1L], i.End[-1L]),
Start = c(Start[-1L], Split[1L] + 1L)),
by = .(ID, Chrom)]
res2[!is.na(Split), Probes := i.End - Start]
res2
# ID Chrom Split End Start i.End Probes
# 1: 1 1 NA NA 1 900 899
# 2: 2 1 1000 1000 500 1000 500
# 3: 2 1 1000 1000 1001 5000 3999
# 4: 3 2 2000 2000 1000 2000 1000
# 5: 3 2 2000 2000 2001 5000 2999
(如果您愿意,可以删除不需要的列)
答案 1 :(得分:1)
首先定义分裂函数:
splitter<-function(data, reftable){
splitsite <- which(reftable$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$Start)))))
} else {
return(data)
}
}
然后我们可以使用dplyr
:
library(dplyr)
data %>% group_by(ID) %>%
do(splitter(., ref.table))
给出以下内容。您可以看到它有3999和2999,而不是您的4000和3000,我不确定您想要哪一个基于您的行1.您可以通过在((data$End - (reftable$Split[splitsite] + 1))
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
答案 2 :(得分:0)
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)