Question

我想找出某些基因是否聚集在一起。现在，我已经有了一个基因列表，以及它们的起始和终止位置，而且我已经知道如何计算这些基因之间的距离。问题是我不知道如何考虑染色体的转换。

您无法测量1号染色体上的基因与2号染色体上的基因之间的距离。

我想到了这样计算距离：基因2的起始位置-基因1的终止位置。然后，您具有这些基因之间的距离。

但是我该怎么解释：当您到达下一个染色体时，R代码会抓住一个基因在2号染色体上的起始位置，但是会抓住一个基因在1号染色体上的终止位置，这是不可能的（对于我的研究，至少）。

所以我想知道如何在R中解释。如果它们位于不同的染色体上，我只需要以某种方式跳过它们。

我希望你们能帮助我。

关于以下代码：三个向量只是起始位置和终止位置的向量，以及染色体。它们的长度相等。染色体是一个包含每个基因的染色体编号的载体

start_vector <- as.vector(sorted_coords$start_position)
end_vector <- as.vector(sorted_coords$end_position)
chromosomes <- as.vector(sorted_coords$chromosome_name)

chromosomes[is.na(chromosomes)] <- 24

count = 0
for(i in 1:length(chromosomes)){
  if(count != chromosomes[i]){
    start <- i - 1
    end <- i + 1

    start_vector <- start_vector[-start]
    end_vector <- end_vector[-end]
    count <- count + 1  
    }

}

我希望所有基因的距离都是一个向量，不包括位于不同染色体上的基因的距离。

Answer 1

library(tidyverse) # for all the tidyverse goodies
library(reshape2) # For the melt function

由于您没有提供可复制的示例，因此我自由地制作了自己的玩具数据框，如下所示。它只有2条染色体，但是这种方法应该适用于任意数量的染色体和基因。

sorted_coords <- tibble(start_position = abs(rnorm(10)*10),
                        end_position = abs(rnorm(10)*10),
                        chromosome_name = c(rep(1,5),rep(2,5)))

编辑：OP澄清说，他们想找到与基因的距离，而不是与其他所有基因的距离。后一部分的方法位于底部，因为我发现它很有趣。新的解决方案在这里：

sorted_coords %>% 
  group_by(chromosome_name) %>%  
  arrange(chromosome_name, start_position) %>% 
  mutate(distance = start_position - lag(end_position, n = 1, default = 0))

我们按染色体分组，这样我们就不会在染色体之间进行任何错误的计算。
我们在末尾按染色体名称排列以进行排序。我们按起始位置排列，使基因排列正确。
我们按建议计算距离。当前行的开始位置-上一行的结束位置。我们指定（尽管这是默认设置）我们查看之前的行，并且如果没有行，则结束位置的值默认为0。

旧答案

如果要比较每个基因与其他每个基因，最快的方法是创建一个矩阵。如您所指定的，我们想将基因1的开始减去基因2的结束。这对我来说并不对，但是距我进行生化已经有一段时间了:)。因为您需要一个单对列表，所以我们可以将其折叠（融化功能）。

下面的代码有点难以理解，因此让我们对其进行分解。

sorted_coords %>% 
  group_by(chromosome_name) %>% 
  do( outer(.$start_position, .$end_position) %>% 
        melt() %>% 
        setNames(c("rows", "columns", "distance")))

我们采用数据框，并根据需要按每个染色体分组。
do命令使我们可以执行复杂的操作。 group_by命令可确保对每个染色体进行的操作基本上都是隔离的。
外部函数为我们创建矩阵。 .是我们传递的数据帧（属于特定染色体）。我们通过两列我们需要找出两者的区别。
melt函数将矩阵转换为数据框，供我们指定用于计算差异的两个基因。它们以数字方式列出，您可以返回并进行比较。我建议使用安排来设置顺序，以便您可以轻松地引用它。
setNames只是将列名设置为更可重命名的内容。

这应该比为所有进程运行for循环要快得多。如果您提供更多信息，我可能会进一步清理答案。

如何使用多个染色体计算基因之间的距离

1 个答案: