我有一个运行长度编码的向量,按顺序表示基因组上每个位置的某个值。作为一个玩具示例,假设我只有一条长度为10的染色体,那么我的矢量看起来像
library(GenomicRanges)
set.seed(1)
toyData = Rle(sample(1:3,10,replace=TRUE))
我想将此强制转换为GRanges对象。我能想到的最好的是
gr = GRanges('toyChr',IRanges(cumsum(c(0,runLength(toyData)[-nrun(toyData)])),
width=runLength(toyData)),
toyData = runValue(toyData))
哪个有效,但速度很慢。有没有更快的方法来构建同一个对象?
答案 0 :(得分:3)
正如@TheUnfunCat指出的那样,OP的解决方案非常可靠。以下解决方案仅比原始解决方案快一些。我几乎尝试了base R
的所有组合,并且无法超越Rle
包中的效率S4Vectors
,因此我使用了Rcpp
。这是主要功能:
GenomeRcpp <- function(v) {
x <- WhichDiffZero(v)
m <- v[c(1L,x+1L)]
s <- c(0L,x)
e <- c(x,length(v))-1L
GRanges('toyChr',IRanges(start = s, end = e), toyData = m)
}
WhichDiffZero
是Rcpp
函数,与which(diff(v) != 0)
中的base R
完全相同。很多功劳归于@G.Grothendieck。
#include <Rcpp.h>
using namespace Rcpp;
// [[Rcpp::export]]
IntegerVector WhichDiffZero(IntegerVector x) {
int nx = x.size()-1;
std::vector<int> y;
y.reserve(nx);
for(int i = 0; i < nx; i++) {
if (x[i] != x[i+1]) y.push_back(i+1);
}
return wrap(y);
}
以下是一些基准:
set.seed(437)
testData <- do.call(c,lapply(1:10^5, function(x) rep(sample(1:50, 1), sample(1:30, 1))))
microbenchmark(GenomeRcpp(testData), GenomeOrig(testData))
Unit: milliseconds
expr min lq mean median uq max neval cld
GenomeRcpp(testData) 20.30118 22.45121 26.59644 24.62041 27.28459 198.9773 100 a
GenomeOrig(testData) 25.11047 27.12811 31.73180 28.96914 32.16538 225.1727 100 a
identical(GenomeRcpp(testData), GenomeOrig(testData))
[1] TRUE
过去几天我一直在努力,我绝对不满意。我希望有人会采取我所做的(因为这是一种不同的方法)并创造更好的东西。