使用R在较大的基因组区间上交叉覆盖较小的基因组区间数据

Question

使用R在较大的基因组区间上交叉覆盖较小的基因组区间数据

3

我可以帮助您翻译以下内容，这是关于IT技术的：

我想在R中求两个基因组区间的交集。我还想获取较小区间对大区间的覆盖率统计信息。

大区间数据是一个像这样的数据框....

Chr  Start     End       Name         Val    Strand
chr7 145444998 146102295 CCDS5889.1   0      +
chr7 146102406 146167735 CCDS5889.1   0      +
chr7 146167929 146371931 CCDS5889.1   0      +

超过200万行的较小间隔如下所示。

Chr  Start     End       Name         Val    Strand PhyloP   
chr7 145444386 145444387 CCDS5889.1   0      +      0.684764
chr7 145444387 145444388 CCDS5889.1   0      +      0.684764
chr7 145444388 145444389 CCDS5889.1   0      +      0.684764
chr7 145444389 145444390 CCDS5889.1   0      +      0.684764

数据帧中第二列（起始时间）和第三列（结束时间）包含间隔数据。

情况类似于

Large Interval:    [-----]   [-----]     [--------------]   [-------------------]
Small Interval: |||  ||||  |||||||||||  ||||||||   ||||  || |||||||||   ||    ||||||||

我想知道每个大间隔被小间隔覆盖的时间长度。
另外，我希望将每个大间隔相交的 $PhyloP 值关联起来，以便将来进行绘图时进行访问。

- user645600

展示一下你目前已经完成了什么，以及你卡在哪里了。 - Roman Luštrik

1个回答

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- Martin Morgan · Accepted Answer

Bioconductor的IRanges和GenomicRanges包有findOverlaps、countOverlaps、coverage和其他基于区间的函数，旨在执行这些操作。您可以使用GRanges函数来表示上面每个subject（“较大区间”）和query（“较小区间”）对象。请参见安装说明和vignettes，例如，browseVignettes("GenomicRanges")。

稍微详细一些，这是您的数据。

sdf <- read.table(textConnection(
"Chr  Start     End       Name         Val    Strand
chr7 145444998 146102295 CCDS5889.1   0      +
chr7 146102406 146167735 CCDS5889.1   0      +
chr7 146167929 146371931 CCDS5889.1   0      +"), header=TRUE)

qdf <- read.table(textConnection(
"Chr  Start     End       Name         Val    Strand PhyloP   
chr7 145444386 145444387 CCDS5889.1   0      +      0.684764
chr7 145444387 145444388 CCDS5889.1   0      +      0.684764
chr7 145444388 145444389 CCDS5889.1   0      +      0.684764
chr7 145444389 145444390 CCDS5889.1   0      +      0.684764"), header=TRUE)

在这里，我们将它们转换为GRanges，并找到查询和主体之间的交集。

library(GenomicRanges)
subj <-
    with(sdf, GRanges(Chr, IRanges(Start, End), Strand, Val=Val))
query <-
    with(qdf, GRanges(Chr, IRanges(Start, End), Strand, Val=Val,
                      PhyloP=PhyloP, names=Name))
intersect(query, subj)

这里的答案并不是很令人兴奋。

> intersect(query, subj)
GRanges with 0 ranges and 0 elementMetadata values
     seqnames ranges strand |

seqlengths
 chr7
   NA

为了更加有用，这里是一个查询，可以覆盖您的整个区域。

tiles <- successiveIRanges(rep(100, 950), 900, 145444998)
query <- GRanges("chr7", tiles, "+")

我们找到相交的范围，确定每个相交范围重叠的主题，并总结重叠范围的宽度。

int <- intersect(query, subj)
tapply(int, subjectHits(findOverlaps(int, subj)),
       function(x) sum(width(x)))

意为“导致”。

    1     2     3 
65800  6500 20400