Trovare sovrapposizione in intervalli con R

Question

Ho due data.frames ciascuno con tre colonne: chrom, start & stop, chiamiamoli intervalliA e intervalliB. Per ogni riga di intervalli A, sto cercando di trovare quale (se presente) riga in intervalliB contiene completamente gli intervalliUna riga - con cui intendo rangesAChrom == rangesBChrom, rangesAStart >= rangesBStart and rangesAStop <= rangesBStop.

In questo momento sto facendo quanto segue, che proprio non mi piace molto. Tieni presente che eseguo il looping delle righe di intervalliA per altri motivi, ma nessuno di questi motivi è probabile che sia un grosso problema, ma finisce per rendere le cose più leggibili data questa particolare soluzione.

rangesA:

chrom start stop 
5  100  105 
1  200  250 
9  275  300 

rangesB:

chrom start stop 
    1  200  265 
    5  99  106 
    9  275  290 

per ogni riga rangesA:

matches <- which((rangesB[,'chrom'] == rangesA[row,'chrom']) && 
       (rangesB[,'start'] <= rangesA[row, 'start']) && 
       (rangesB[,'stop'] >= rangesA[row, 'stop'])) 

immagino ci deve essere una migliore (e meglio, intendo più veloce su grandi istanze di intervalliA e intervalliB) modo per fare questo rispetto al ciclo su questo costrutto. Qualche idea?

Answer 1

Questo sarebbe molto più facile/veloce se è possibile unire prima i due oggetti.

ranges <- merge(rangesA,rangesB,by="chrom",suffixes=c("A","B")) 
ranges[with(ranges, startB <= startA & stopB >= stopA),] 
# chrom startA stopA startB stopB 
#1  1 200 250 200 265 
#2  5 100 105  99 106 

Answer 2

Per i dati di esempio:

rangesA <- data.frame(
    chrom = c(5, 1, 9), 
    start = c(100, 200, 275), 
    stop = c(105, 250, 300) 
) 
rangesB <- data.frame(
    chrom = c(1, 5, 9), 
    start = c(200, 99, 275), 
    stop = c(265, 106, 290) 
) 

Questo farà con sapply, in modo che ogni colonna è una riga rangesA e ciascuna riga è corrispondente riga rangesB:

> sapply(rangesA$stop, '>=', rangesB$start) & sapply(rangesA$start, '<=', rangesB$stop) 
     [,1] [,2] [,3] 
[1,] FALSE TRUE FALSE 
[2,] TRUE FALSE FALSE 
[3,] FALSE FALSE TRUE 

Answer 3

Usa i pacchetti IRanges/GenomicRanges di Bioconductor, che è stato progettato per gestire questi problemi esatti (e ridimensiona in modo massiccio)

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

Ci sono alcuni contenitori adeguati per intervalli su diversi cromosomi, uno è RangesList

library(IRanges) 
rangesA <- split(IRanges(rangesA$start, rangesA$stop), rangesA$chrom) 
rangesB <- split(IRanges(rangesB$start, rangesB$stop), rangesB$chrom) 
#which rangesB wholly contain at least one rangesA? 
ov <- countOverlaps(rangesB, rangesA, type="within")>0 

Answer 4

RangesA e RangesB sono chiaramente sintassi LETTO, questo può essere fatto fuori R nella riga di comando con BEDtools, estremamente veloce e flessibile con una dozzina di altre opzioni per lavorare con intervalli genomici. Poi mettere i risultati nuovamente nel R.

https://code.google.com/p/bedtools/

Answer 5

Il pacchetto data.table ha una funzione foverlaps() capace di fondere su intervalli di intervallo dal V1.9.4:

require(data.table) 
setDT(rangesA) 
setDT(rangesB) 

setkey(rangesB) 
foverlaps(rangesA, rangesB, type="within", nomatch=0L) 
# chrom start stop i.start i.stop 
# 1:  5 99 106  100 105 
# 2:  1 200 265  200 250 

• setDT() convertiti data.frame a data.table per riferimento

• setkey() ordina i dati.table dalle colonne fornite (in questo caso tutte le colonne, poiché non ne abbiamo fornito nessuno) e contrassegna le colonne come ordinate, che useremo in seguito per eseguire il join.

• foverlaps() l'unione si sovrappone in modo efficiente. Vedi this answer per una spiegazione dettagliata e un confronto con altri approcci.

Answer 6

Aggiungere la soluzione dplyr.

library(dplyr) 
inner_join(rangesA, rangesB, by="chrom") %>% 
    filter(start.y < start.x | stop.y > stop.x) 

uscita:

chrom start.x stop.x start.y stop.y 
1  5  100 105  99 106 
2  1  200 250  200 265