Question

我有两个数据框：来自GWAS输出的SNP列表和基因开始/结束坐标列表。我想过滤（使用dplyr程序包）以仅提取那些具有Position处于其开始/结束范围之内的SNP的基因。

我认为%in%可能是正确的选择，但是我为基因坐标是值的范围而苦恼。因此，我不能只寻找SNP位置与基因位置匹配的行。

我已经见过使用BiomaRt软件包和其他软件包的解决方案，但是我正在寻找dplyr解决方案。预先感谢。

基因数据框：

Gene   Start   End
gene1  1       5
gene2  10      15
gene3  20      25
gene4  30      35

SNP数据框：

Position    SNP_ID
6           ss1
8           ss2
9           ss3
11          ss4
16          ss5
19          ss6
27          ss7
34          ss8

所需的输出：

Gene   Start   End
gene2  10      15
gene4  30      35

Answer 1

任务是鉴定其中至少含有一个SNP的基因。为此，我们可以通过map2遍历Start和End位置对，然后询问是否有任何SNP位置落在它们之间：

library( tidyverse )

dfg %>% mutate( AnyHits = map2_lgl(Start, End, ~any(dfs$Position %in% seq(.x,.y))) )
# # A tibble: 4 x 4
#   Gene  Start   End AnyHits
#   <chr> <dbl> <dbl> <lgl>  
# 1 gene1     1     5 FALSE  
# 2 gene2    10    15 TRUE   
# 3 gene3    20    25 FALSE  
# 4 gene4    30    35 TRUE

从这里开始，只需简单的%>% filter(AnyHits)，即可将您的数据框缩小为至少一个SNP命中的行。

数据：

# Genes
dfg <- tibble( Gene = str_c("gene",1:4),
               Start = c(1,10,20,30),
               End = c(5,15,25,35) )

# SNPs
dfs <- tibble( Position = c(6,8,9,11,16,19,27,34),
               SNP_ID = str_c("ss",1:8) )

筛选包含大量snps的基因

1 个答案: