Question

我有两个文件

编码

X.pattern.name       chr       start    stop    strand  score   p.value q.value matched.sequence
1   V_CETS1P54_01   chr1    98769545    98769554    +   11.42280    8.89e-05    NA  TCAGGATGTA
2   V_CETS1P54_01   chr1    152013037   152013046   +   11.98020    4.74e-05    NA  ACAGGAAGTT
3   V_CETS1P54_01   chr1    168932563   168932572   +   11.60860    7.59e-05    NA  ACCGGATGCT

encode.total

    chr     start           stop
1   chr1    58708485    58708713
2   chr1    58709084    58710538
3   chr1    98766295    98766639
4   chr1    98766902    98770338
5   chr1    107885506   107889414
6   chr1    138589531   138590856
7   chr1    138591180   138593378
8   chr1    152011746   152013185
9   chr1    152014263   152014695
10  chr1    168930561   168933076
11  chr1    181808064   181808906
12  chr1    184609002   184611519
13  chr1    193288453   193289567
14  chr1    193290105   193290490
15  chr1    193290744   193291092
16  chr1    196801920   196804954

我想比较两个文件，每个条目由 chr ，开始和停止。如果第一个文件中的开始和停止值落在同一染色体的第二个文件的开始和结束之间，那么该开始和结束。第一个文件中的停止值应该被第二个文件的start＆amp;停止价值观。我已经为此目的写了一个for循环但是花了太长时间。有哪些替代方案？

代码：

for(i in 1:nrow(encode))
{
     for(j in 1:nrow(encode.total))
     {
           if(encode[i,2]==encode.total[j,1])
           {
               if((encode[i,3]>=encode.total[j,2]) & (encode[i,4]<=encode.total[j,3]))
               {
                   encode[i,3]=encode.total[j,2]
                   encode[i,4]=encode.total[j,3]
               }
           }
     }
}

出于同样的目的，我也尝试了如下的GenomicRanges软件包。我的数据帧的大小是巨大的，并且它们上的合并功能创建了非常大的数据帧（不允许大于20亿行），尽管我最终将数据帧子集化为较小的数据帧。但是merge（）占用大量内存并终止R。

gr1<-GRanges(seqnames=encode$chr,IRanges(start=encode$start,end=encode$end))
gr2<-GRanges(seqnames=encode.total$chr, IRanges(start=encode.total$start,end=encode.total$end))

ranges <- merge(as.data.frame(gr1),as.data.frame(gr2),by="seqnames",suffixes=c("A","B"))
ranges <- ranges[with(ranges, startB <= startA & endB >= endA),]

Answer 1

使用Bioconductor GenomicRanges包。

source("http://bioconductor.org/biocLite.R")
biocLite("GenomicRanges")

假设有两个数据框x0和x1，例如原始示例中的encode和encode.total。我们想把它们变成GRanges实例。我这样做了

library(GenomicRanges)
gr0 = with(x0, GRanges(chr, IRanges(start=start, end=stop)))
gr1 = with(x1, GRanges(chr, IRanges(start=start, end=stop)))

通常可以简单地说makeGRangesFromDataFrame(x0)，或使用标准R命令来“手动”创建GRanges实例。我们在这里使用with()，以便我们可以写GRanges(chr, IRanges(start=start, end=stop))而不是GRanges(x0$chr, IRanges(start=x0$start, end=x0$stop))。

下一步是查找查询（gr0）和主题（gr1）之间的重叠

hits = findOverlaps(gr0, gr1)

导致

> hits
Hits of length 3
queryLength: 3
subjectLength: 16
  queryHits subjectHits 
   <integer>   <integer> 
 1         1           4 
 2         2           8 
 3         3          10

然后更新相关的开始/结束坐标

ranges(gr0)[queryHits(hits)] = ranges(gr1)[subjectHits(hits)]

给

> gr0
GRanges with 3 ranges and 0 metadata columns:
      seqnames                 ranges strand
         <Rle>              <IRanges>  <Rle>
  [1]     chr1 [ 98766902,  98770338]      *
  [2]     chr1 [152011746, 152013185]      *
  [3]     chr1 [168930561, 168933076]      *
  ---
  seqlengths:
   chr1
     NA

这将快速进入数百万个范围。

重叠的基因组范围

1 个答案: