Question

我有一个包含4列的5131行的R data.frame对象，其示例如下：

1 X  12830000  12910000  C
2 X  12960000  13510000  C
3 X  13525000  13675000  C
4 X  13670000  13715000  C
5 X  13670000  13770000  E2
6 X  13670000  14050000  E3
7 X  13765000  14050000  E1
8 X  13910000  14050000  E1
9 X  13940000  14050000  C
10 X  15360000  15590000  E3

这是一个基因组.bed文件，第2列是一段DNA的起始位置坐标，第3列是结束位置，第4列是关于它的一些元信息。因此，根据它们的坐标，这可以被想象成彼此重叠的弦。

我想写一个R脚本，它执行以下操作：

如果彼此之间的行之间存在重叠，则选择重叠中长度最长的行。在已排序示例数据中，按顺序向下移动，第4行和第5行，第5行和第6行，第6行和第7行，第7行和第8行以及第8行和第9行之间的重叠次数超过40000次其中第6行是最长的。在4和5中，第5行是最长的，所以我保留5.在第5行和第6行之间，6是最长的，所以我保持6.我一直这样做直到我找到一个重叠小于4000的行，并选择其中最长的一行。

所以我的新数据框应该是这样的：

1 X  12830000  12910000  C
2 X  12960000  13510000  C
3 X  13525000  13675000  C
6 X  13670000  14050000  E3  <- (keeping the longest one)
10 X  15360000  15590000  E3

到目前为止，我尝试执行以下操作：

output_4 <- fr_t[NULL,] 
for(i in 1:nrow(fr_t)-1){ 
if(isTRUE(fr_t[i+1,]$V3-fr_t[i,]$V2<40000||fr_t[i,]$V3-fr_t[i+1,]$V2 < 40000)) {
if(isTRUE((fr_t[i+1,]$V3-fr_t[i+1,]$V2)>(fr_t[i+2,]$V3-fr_t[i+2,]$V2))){
next
}
next
}
output_4 <- rbind(output_4, fr_t[i+2,])
}  #fr_t is my original dataframe

我无法弄清楚如何迭代我的i直到重叠的行，以保持最长的行。

另外，如何将第4列中的元信息保存为重叠矩阵？例如，一个新的数据框如下：

E3  C  E2  E1  E1  C

第一列是最大行的第4列，所有其他列是其中重叠列的第4列？这将需要具有不同列数的对象。谢谢你的耐心等待。

Answer 1

首先，我完全同意@ zacdav的评论。看看R / Bioconductor包GenomicRanges;它是为这类操作而开发的。有一些很棒的教程，例如here和here。

关于您的问题，以下内容将再现您的预期输出：

# Your sample data as a data.frame
df <- read.table(text =
    "1 X  12830000  12910000  C
2 X  12960000  13510000  C
3 X  13525000  13675000  C
4 X  13670000  13715000  C
5 X  13670000  13770000  E2
6 X  13670000  14050000  E3
7 X  13765000  14050000  E1
8 X  13910000  14050000  E1
9 X  13940000  14050000  C
10 X  15360000  15590000  E3", header = F, row.names = 1)

# Convert data.frame to GRanges
library(GenomicRanges);
gr <- with(df, GRanges(
    seqnames = df[, 1],
    IRanges(start = df[, 2], end = df[, 3]),
    id = df[, 4]))

# Find overlapping regions within gr
hits <- findOverlaps(gr, gr, minoverlap = 40000);

# Remove self-overlapping hits
hits <- hits[queryHits(hits) != subjectHits(hits)];

# Determine features that are shorter than the overlapping feature
mcols(hits)$queryWidth = width(gr[queryHits(hits)]);
mcols(hits)$subjectWidth = width(gr[subjectHits(hits)]);
mcols(hits)$hit <- ifelse(
    mcols(hits)$queryWidth < mcols(hits)$subjectWidth, 
    queryHits(hits), 
    subjectHits(hits));

# Remove those shorter overlapping features
gr.final <- gr[-unique(mcols(hits)$hit)];
gr.final;
#GRanges object with 5 ranges and 1 metadata column:
#      seqnames               ranges strand |       id
#         <Rle>            <IRanges>  <Rle> | <factor>
#  [1]        X [12830000, 12910000]      * |        C
#  [2]        X [12960000, 13510000]      * |        C
#  [3]        X [13525000, 13675000]      * |        C
#  [4]        X [13670000, 14050000]      * |       E3
#  [5]        X [15360000, 15590000]      * |       E3

如果您想将gr.final转换回data.frame，可以使用as.data.frame(gr.final)。

保持字符串中最大的字符串重叠在R中

1 个答案: