Question

我正在尝试实施一个块引导程序，但我还没有找到一种有效的方法。

我的data.frame具有以下结构：

CHR POS var_A var_B
1 192 0,9 0,7
1 2000  0,8 0,3
2 3 0,21  0,76 
2 30009 0,36  0,15
...

第一列是染色体识别，第二列是位置，最后两列是我想要计算相关性的变量。问题是每一行并不是完全独立的，取决于它们之间的距离（越接近越依赖），所以我不能简单地做cor(df$var_A, df$var_B)。

这种类型数据常用的问题是执行块引导程序。也就是说，我需要将数据划分为长度为X的块，随机选择该块内的一行，然后计算我感兴趣的统计量。但请注意，这些块需要根据列POS进行定义，而不是基于行号。此外，需要对每条染色体进行此程序。

我试图实现这一点，但我想出了最慢的代码（它甚至没有完成运行）并且我不是100％确定它是否有效。

x = 1000
cors = numeric()
iter = 1000
for(j in 1:iter) {
  df=freq[0,]
  for (i in unique(freq$CHR)) {
    t = freq[freq$CHR==i,]
    fim = t[nrow(t),2]
    i = t[1,2]
    f = i + x
    while(f < fim) {
      rows = which(t$POS>=i & t$POS<f)
      s = sample(rows)
      df = rbind(df,t[s,])
      i = f
      f = f + x
    }
  }
  cors = c(cors, cor(df$var_A, df$var_B))
}

有人可以帮帮我吗？我相信有一种更有效的方法。

提前谢谢。

Answer 1

我希望我理解你：

# needed for round_any()
library(plyr)

res <- lapply(unique(freq$CHR),function(x){

  freq_sel <- freq[freq$CHR==x,]
  blocks <- lapply(seq(1,round_any(max(freq_sel$POS),1000,ceiling),1000), function(ix) freq_sel[freq_sel$POS > ix & freq_sel$POS <= ix+999,])
  do.call(rbind,lapply(blocks,function(x) if (nrow(x) > 1) x[sample(1:nrow(x),1),] else x))

})

这应返回一个列表，其中包含每条染色体的条目。在每个条目中，如果存在，则每1kb块进行一次观察。块数由最大POS值确定。

编辑：

library(doParallel)
library(foreach)
library(plyr)

cl <-  makeCluster(detectCores())
registerDoParallel(cl)


res <- foreach(x=unique(freq$CHR),.packages = 'plyr') %dopar% {

  freq_sel <- freq[freq$CHR==x,]
  blocks <- lapply(seq(1,round_any(max(freq_sel$POS),1000,ceiling),1000), function(ix) freq_sel[freq_sel$POS > ix & freq_sel$POS <= ix+999,])
  do.call(rbind,lapply(blocks,function(x) if (nrow(x) > 1) x[sample(1:nrow(x),1),] else x))

}

stopCluster(cl)

这是每个染色体上foreach的简单并行化。重构函数并将并行处理基于另一个级别（例如1000次迭代或可能是块）可能更好。在任何情况下，我都可以再次强调我在评论中所说的内容：在您对代码进行并行化之前，您应该确保它尽可能高效。这意味着您可能需要查看boot包或类似内容以提高效率。也就是说，根据您计划的迭代次数，一旦您熟悉您的功能，并行处理可能会很有用。

Answer 2

尝试的一种有效方法是使用'boot'包，其功能包括并行处理功能。

特别是，'tsboot'或时间序列引导功能将选择有序的数据块。如果您的POS变量是某种有序观察，这可能会有效。

启动包功能很棒，但首先需要一些帮助。要在引导包中使用引导函数，必须首先在包含index参数的函数中包装感兴趣的统计信息。这是bootstrap生成的索引将用于将采样数据传递给统计信息的设备。

cor_hat <- function(data, index) cor(y = data[index,]$var_A, x = data[index,]$var_B)

请注意以下参数中的cor_hat。 sim = "fixed", l = 1000个参数，表示您需要fixed个长度的块（l）1000。但是，如果你试图捕捉随时间推移的最近邻居动态，你可以做任何大小的块，5或10。 multicore参数说明了一切，但如果您使用的是Windows，它可能会“下雪”。

library(boot)
tsboot(data, cor_hat, R = 1000, sim = "fixed", l = 1000, parallel = "multicore", ncpus = 4)

此外，统计学习要素的第194页提供了使用传统boot函数的框架的一个很好的例子，所有这些都与tsboot相关。 / p>

希望有所帮助，祝你好运。

贾斯汀

r

Answer 3

所以，过了一会儿，我想出了一个问题的答案。在这里。

您需要包dplyr。

l = 1000
teste = freq %>%
  mutate(w = ceiling(POS/l)) %>%
  group_by(CHR, w) %>%
  sample_n(1)

此代码根据基因组中的位置（POS）创建一个名为w的新变量。此变量w是指定每行的窗口，它取决于l，即窗口的长度。

您可以多次重复此代码，每次每个窗口采样一行/ CHR（使用sample_n(1)）并应用您想要的任何感兴趣的统计数据。

封闭基因组数据的引导程序

3 个答案:

编辑：