我有两个“BED”文件。每一个都指定了基因组中的一组区域（起始和结束列），每个文件都指定了给定基因组区域的特征（例如NRL，另一个返回这些区域的'可映射性）
它们的组织如下：
head(file1)
chr start end mappability
chr1 3000066 3000100 1.0000
chr1 3000100 3000130 0.5000
chr1 3000130 3000199 0.0625
chr1 3000199 3000277 0.0500
head(file2)
chr start end NRL
chr1 3000000 3000067 250
chr1 3000067 3000079 300
chr1 3000079 3000084 200
chr1 3000084 3000099 130
问题在于这些文件是不同实验的结果而不是两个文件之间记录的所有区域都重叠...因此我需要找出哪些区域重叠......
到目前为止，我的尝试是：
file1-read.table("file1.txt", sep='\t', header = F)
file2=read.table("file2.txt", sep='\t', header = F)
overlapping_regions<-function(file1, file2){
for(i in file1[,2]){
x<-seq(file1[i,2], file1[i,3])
for(j in file1[,2]){
y<-seq(file2[j,2], file2[j,3])
if(setequal(union(x, y), c(setdiff(x, y), intersect(x, y), setdiff(y, x)))){
####GET OVERLAP
}
}
}
}
上述策略的第一个问题是我收到了上述错误：
Error in seq.default(file1[i, 2], file1[i, 3]) :
'from'不能是NA，NaN或无限
其次我不确定该策略是否正确，因为我希望将每个文件的每一行与另一个文件进行比较，以找到重叠的 ANY 区域...
所以我想知道是否有人可以帮助我使用R脚本来解析这些文件，这样我就可以创建一个新文件，其中包含每个开始和结束指定列之间的重叠区域，并保留与每个文件相关的功能。原始文件...
所以我希望我的输出是这样的：
head(files_merged)
chr overlap mappability NRL GC_content more_features......
chr1 start-end 1.0000 250
chr1 start-end 0.5000 300
chr1 start-end 0.0625 200
我问这个是为了尝试应用机器学习算法来尝试预测基因组特征。
我可以（显然）看到我的计划存在缺陷，因为一个文件中指定的区域可能比另一个文件中指定的区域小得多。因此，我也愿意接受有关更好的方法的建议吗？
答案 0 :(得分：0)
这可能有点长，但你可以尝试一下。
我创建了类似的数据框，但不完全相同：
df1 <- data.frame(chr=rep("chr1",4),
start=c(100,200,300,400),
end=c(200,300,400,500),
mappability=c(1,0.5,0.0625,0.05))
df2 <- data.frame(chr=rep("chr1",4),
start=c(90,190,290,380),
end=c(120,220,320,390),
NRL=c(250,300,200,130))
加载使用map和nest函数所需的库：
library(purrr)
library(tidyr)
在开始和结束时采用tibble的函数，在df1中查找重叠的索引并返回行numbe。 您可以根据边界，约束或重叠定义来编辑条件：
xx <- function(x){
y <- (x$start<df1$start & x$end<df1$end & x$end>df1$start) | (x$start>df1$start & x$start<df1$start & x$end>df1$end)
z <- which(y==TRUE)
ifelse((length(z)>0),z,0) %>%
as.integer()
}
嵌套df2并将start-end放在一个tibble中：
df2 <- df2 %>%
nest(start,end,.key=data.df2)
# A tibble: 4 x 3
chr NRL data.df2
<fctr> <dbl> <list>
1 chr1 250 <tibble [1 x 2]>
2 chr1 300 <tibble [1 x 2]>
3 chr1 200 <tibble [1 x 2]>
4 chr1 130 <tibble [1 x 2]>
将每行中的tibble传递给xx函数，该函数将返回重叠的行（如果有多个条目的情况下，该函数可能需要更改，我们将使用map代替map_int）
df2 <- df2 %>%
mutate(idx=map_int(data.df2,xx)) %>%
unnest %>%
filter(idx!=0)
在取消并删除没有交集的行后，我们将在df2中的条目中df1中的条目具有重叠。
# A tibble: 3 x 5
chr NRL idx start end
<fctr> <dbl> <int> <dbl> <dbl>
1 chr1 250 1 90 120
2 chr1 300 2 190 220
3 chr1 200 3 290 320
我们将为df1添加一个idx列以便能够合并：
df1＆lt; - df1％＆gt;％ 突变（IDX = seq_along（DF1））
chr start end mappability idx
1 chr1 100 200 1.0000 1
2 chr1 200 300 0.5000 2
3 chr1 300 400 0.0625 3
4 chr1 400 500 0.0500 4
现在根据索引合并df1和df2：
df_all <- merge(df1,df2,by=c("idx"),
all.x = FALSE,
all.y = TRUE
)
TOu会有类似的东西，你可以清理和计算每一行的重叠：
idx chr.x start.x end.x mappability chr.y NRL start.y end.y
1 1 chr1 100 200 1.0000 chr1 250 90 120
2 2 chr1 200 300 0.5000 chr1 300 190 220
3 3 chr1 300 400 0.0625 chr1 200 290 320
答案 1 :(得分：0)
还在Bioconductor support site上提出了问题，在那里我提供了类似的长答案。 @OmaymaS提供的数据的结果是
> olaps
GRanges object with 6 ranges and 2 metadata columns:
seqnames ranges strand | mappability NRL
<Rle> <IRanges> <Rle> | <numeric> <numeric>
[1] chr1 [101, 120] * | 1 250
[2] chr1 [191, 200] * | 1 300
[3] chr1 [201, 220] * | 0.5 300
[4] chr1 [291, 300] * | 0.5 200
[5] chr1 [301, 320] * | 0.0625 200
[6] chr1 [381, 390] * | 0.0625 130
-------
seqinfo: 1 sequence from an unspecified genome; no seqlengths
基于1的偏移，从BED文件的基于0的半开间隔转换为更友好/ Bioconductor标准的基于1的闭合间隔。