r - 将个体基因组间隔连接到种群区域

Question

我想将各个基因组间隔连接到公共(public)区域。

我的输入:

dfin <- "chr start end sample type
        1   10    20   NE1    loss
        1   5     15   NE2    gain
        1   25    30   NE1    gain
        2   40    50   NE1    loss
        2   40    60   NE2    loss
        3   20    30   NE1    gain"
dfin <- read.table(text=dfin, header=T)

我的预期输出:

dfout <- "chr start end samples type
        1   5     20   NE1-NE2  both
        1   25    30   NE1      gain
        2   40    60   NE1-NE2  loss
        3   20    30   NE1      gain"
dfout <- read.table(text=dfout, header=T)

dfin 中的区间永远不会在同一动物身上重叠，只是在动物之间重叠(分别为 sample 和 samples 列)。 type 列在 dfin 中有两个因子(loss 和 gain)，预计在 中有三个因子code>dfout(loss、gain 和both，当 dfout 中的连接区域发生时是基于loss 和gain)。

有什么办法解决这个问题吗？

*为@David Arenburg 更新

Answer 1

这里尝试使用 data.table::foverlaps 对间隔进行分组，然后计算所有其余部分

library(data.table)
setkey(setDT(dfin), chr, start, end)
res <- foverlaps(dfin, dfin, which = TRUE)[, toString(xid), by = yid
                                           ][, indx := .GRP, by = V1]$indx
dfin[, .(
          chr = chr[1L],
          start = min(start), 
          end = max(end), 
          samples = paste(unique(sample), collapse = "-"),
          type = if(uniqueN(type) > 1L) "both" else as.character(type[1L])
         ),
       by = res]

#    res chr start end samples type
# 1:   1   1     5  20 NE2-NE1 both
# 2:   2   1    25  30     NE1 gain
# 3:   3   2    40  60 NE1-NE2 loss
# 4:   4   3    20  30     NE1 gain