识别R中连续重叠的片段

时间:2018-08-30 07:56:41

标签: r data.table grouping overlap locf

我需要将重叠的细分汇总为一个所有关联细分的细分。

请注意,简单的脚手架无法检测非重叠但相连的线段之间的连接,有关说明请参见示例。如果要在我的地块上下雨,我正在寻找干燥的地面。

到目前为止,我已经通过迭代算法解决了这个问题,但是我想知道是否有更优雅,更直接的方法解决这个问题。我敢肯定不是第一个面对它的人。

我当时正在考虑进行非等价的滚动联接,但是未能实现

library(data.table)
(x <- data.table(start = c(41,43,43,47,47,48,51,52,54,55,57,59), 
                  end = c(42,44,45,53,48,50,52,55,57,56,58,60)))

#     start end
#  1:    41  42
#  2:    43  44
#  3:    43  45
#  4:    47  53
#  5:    47  48
#  6:    48  50
#  7:    51  52
#  8:    52  55
#  9:    54  57
# 10:    55  56
# 11:    57  58
# 12:    59  60

setorder(x, start)[, i := .I] # i is just a helper for plotting segments
plot(NA, xlim = range(x[,.(start,end)]), ylim = rev(range(x$i)))
do.call(segments, list(x$start, x$i, x$end, x$i))

x$grp <- c(1,3,3,2,2,2,2,2,2,2,2,4) # the grouping I am looking for
do.call(segments, list(x$start, x$i, x$end, x$i, col = x$grp))
(y <- x[, .(start = min(start), end = max(end)), k=grp])

#    grp start end
# 1:   1    41  42
# 2:   2    47  58
# 3:   3    43  45
# 4:   4    59  60

do.call(segments, list(y$start, 12.2, y$end, 12.2, col = 1:4, lwd = 3))

编辑:

这真是太好了,谢谢,cummax和cumsum可以完成这项工作,Uwe's Answer比Davids的评论要好。

  • end[.N]可能得到错误的结果,请尝试以下示例数据xmax(end)在所有情况下都是正确的,而且速度更快。

    x <- data.table(start = c(11866, 12696, 13813, 14011, 14041), end = c(13140, 14045, 14051, 14039, 14045))

  • min(start)start[1L]给出的结果相同(因为x是按开始顺序排序的),后者更快。
  • 运行中的grp明显更快,很不幸,我需要分配grp。
  • cumsum(cummax(shift(end, fill = 0)) < start)cumsum(c(0, start[-1L] > cummax(head(end, -1L))))快得多。
  • 我没有测试软件包 GenomicRanges 解决方案。

2 个答案:

答案 0 :(得分:6)

OP要求将重叠的段汇总为一个包含所有连接段的段。

这是另一种使用cummax()cumsum()来标识重叠或相邻段的组的解决方案:

x[order(start, end), grp := cumsum(cummax(shift(end, fill = 0)) < start)][
  , .(start = min(start), end = max(end)), by = grp]
   grp start end
1:   1    41  42
2:   2    43  45
3:   3    47  58
4:   4    59  60

免责声明:我在SO的其他地方看到过这种聪明的方法,但我不记得确切的位置。

修改

David Arenburg has pointed out一样,不必单独创建grp变量。可以在by =参数中即时完成此操作:

x[order(start, end), .(start = min(start), end = max(end)), 
  by = .(grp = cumsum(cummax(shift(end, fill = 0)) < start))]

可视化

可以修改OP的图以显示汇总的段(快速段和脏段):

plot(NA, xlim = range(x[,.(start,end)]), ylim = rev(range(x$i)))
do.call(segments, list(x$start, x$i, x$end, x$i))
x[order(start, end), .(start = min(start), end = max(end)), 
  by = .(grp = cumsum(cummax(shift(end, fill = 0)) < start))][
    , segments(start, grp + 0.5, end, grp + 0.5, "red", , 4)]

enter image description here

答案 1 :(得分:5)

您可以尝试使用GenomicRanges方法。在输出中,每一行都是一个组。

library(GenomicRanges)
x_gr <- with(x, GRanges(1, IRanges(start, end)))
as.data.table(reduce(x_gr, min.gapwidth=0))[,2:3]
   start end
1:    41  42
2:    43  45
3:    47  58
4:    59  60

可以使用Gviz进行视觉检查。在这里,人们必须知道该软件包是为生物学家和遗传信息构建的。后面的图案是DNA碱基。因此,必须减去段末端的1以获得正确的图。

library(Gviz)
ga <- Gviz::GenomeAxisTrack()
xgr <- with(x, GRanges(1, IRanges(start, end = end - 1)))
xgr_red <- reduce(xgr, min.gapwidth=1)
ga <- GenomeAxisTrack()
GT <- lapply(xgr, GeneRegionTrack)
GT_red <- lapply(xgr_red, GeneRegionTrack, fill = "lightblue")
plotTracks(c(ga, GT, GT_red),from = min(x$start), to = max(x$start)+2)

enter image description here