r - 查找两个区间数据之间的重叠范围

Question

我有一张表，其坐标( start ， end )为 ca。 500000 个片段和另一个具有 60000 个单个坐标的表，我想与以前的片段匹配。即，对于来自 dtCoords 的每条记录表 我需要在 dtFrags 中搜索记录具有相同的表 chr和 start <= coord <= end (并从 type 的记录中检索 dtFrags )。为此使用 R 是个好主意，还是我应该看看其他语言？

这是我的例子:

require(data.table)

dtFrags <- fread(
  "id,chr,start,end,type
 1,1,100,200,exon
 2,2,300,500,intron
 3,X,400,600,intron
 4,2,250,600,exon
")

dtCoords <- fread(
"id,chr,coord
 10,1,150
 20,2,300
 30,Y,500
")

最后，我想要这样的东西:

"idC,chr,coord,idF,type
 10,  1,  150,  1, exon
 20,  2,  300,  2, intron
 20,  2,  300,  4, exon
 30,  Y,  500, NA, NA
"

我可以通过将表拆分为子表来简化任务 chr ，所以我只会专注于坐标

setkey(dtCoords, 'chr')
setkey(dtFrags,  'chr')

for (chr in unique(dtCoords$chr)) {
  dtCoordsSub <- dtCoords[chr];
  dtFragsSub  <-  dtFrags[chr];
  dtCoordsSub[, {
    # ????  
  }, by=id]  
}

但我仍然不清楚我应该如何在里面工作......我将非常感谢任何提示。

更新。以防万一，我把我的真实表放在文件中 here .解压到您的工作目录后，可以使用以下代码加载表:

dtCoords <- fread("dtCoords.txt", sep="\t", header=TRUE)
dtFrags  <- fread("dtFrags.txt",  sep="\t", header=TRUE)

Answer 1

一般来说，使用bioconductor是非常合适的。包裹 IRanges 处理与间隔相关的问题。它通过实现 interval tree 有效地做到了这一点。 . GenomicRanges 是另一个建立在 IRanges 之上的包，专门用于处理“基因组范围”。

require(GenomicRanges)
gr1 = with(dtFrags, GRanges(Rle(factor(chr, 
          levels=c("1", "2", "X", "Y"))), IRanges(start, end)))
gr2 = with(dtCoords, GRanges(Rle(factor(chr, 
          levels=c("1", "2", "X", "Y"))), IRanges(coord, coord)))
olaps = findOverlaps(gr2, gr1)
dtCoords[, grp := seq_len(nrow(dtCoords))]
dtFrags[subjectHits(olaps), grp := queryHits(olaps)]
setkey(dtCoords, grp)
setkey(dtFrags, grp)
dtFrags[, list(grp, id, type)][dtCoords]

   grp id   type id.1 chr coord
1:   1  1   exon   10   1   150
2:   2  2 intron   20   2   300
3:   2  4   exon   20   2   300
4:   3 NA     NA   30   Y   500