Question

快速版本是我想在特定值的一定距离内找到所有匹配项。示例：

library(data.table)
reads <- structure(list(seqnames = c(1, 1, 1, 1, 1, 1, 1), start = c(100, 
100, 100, 130, 130, 132, 133), end = c(130, 130, 131, 160, 160, 
155, 160), strand = structure(c(1L, 1L, 1L, 1L, 1L, 1L, 1L), .Label = "+", class = "factor")), row.names = c(NA, 
-7L), class = c("data.table", "data.frame"), .internal.selfref = <pointer: 0x15af570>, sorted = c("start", 
"end", "strand"))

# take only the end position
p3 <- reads[, list(N3 = .N), by = c("seqnames", "end", "strand")]
setnames(p3, "end", "loc.3p")

# take only the start position
p5 <- reads[, list(N5 = .N), by = c("seqnames", "start", "strand")]
setnames(p5, "start", "loc.5p")

# find the start positions close to the end positions
p3[, loc := loc.3p]
p5[, loc := loc.5p]

p3[p5, roll=50, rollends=c(FALSE, TRUE), nomatch=0, on = c("seqnames", "strand", "loc")]

   seqnames loc.3p strand N3 loc loc.5p N5
1:        1    130      +  2 130    130  2
2:        1    131      +  1 132    132  1
3:        1    131      +  1 133    133  1

这有效，但是仅返回第一个匹配项。我现在的目标是查找所有匹配项（在50的指定范围内）。预期输出：

   seqnames loc.3p strand N3 loc loc.5p N5
1:        1    130      +  2 130    130  2
2:        1    130      +  2 130    132  1
3:        1    130      +  2 133    133  1
4:        1    131      +  1 132    132  1
4:        1    131      +  1 133    133  1

注意loc.3p 130也应与loc.5p 132和132匹配。

该怎么做？我需要保留下一组操作的分数。

生物信息学版本，我试图查找所有下游5'读段，直至达到一定距离（在同一链中）。对于此示例，我仅使用“ +”链，但对于“-”链也必须这样做。由于将完成数百万次读取，因此data.table似乎是合适的。我调查了GenomicRanges，但保留两组数据（5'和3'位置）的元数据有点麻烦。

Answer 1

你说

在50的指定范围内

这让我认为加入非股权。将来，如果您显示期望的结果，可能会有所帮助：）

对p3的修改很小，请注意，我跳过了创建您拥有的loc列的操作。

p3[, "upper" := 50 + loc.3p]

不参加比赛：

p3[p5, .(seqnames, x.loc.3p, strand,  N3, loc.5p, N5),
   on = .(seqnames, strand, loc.3p <= loc.5p, upper >= loc.5p), nomatch = 0
   ][order(x.loc.3p, loc.5p),
     .(seqnames, loc.3p = x.loc.3p, strand, N3, loc.5p, N5)
     ]

   seqnames loc.3p strand N3 loc.5p N5
1:        1    130      +  2    130  2
2:        1    130      +  2    132  1
3:        1    130      +  2    133  1
4:        1    131      +  1    132  1
5:        1    131      +  1    133  1

最后一个括号用于排序和重命名，我不完全确定为什么必须在第一个括号中指定x.loc.3p，但是在此出现错误...

滚动连接以找到基因组区域

1 个答案: