r - 查找定义的一组范围之外的所有范围

Question

我想知道定义给定范围集未涵盖的所有范围的最佳方法是什么。例如，如果我有一组已知坐标的基因:

dtGenes <- fread(
  "id,start,end
 1,1000,1300
 2,1200,1500
 3,1600,2600
 4,3000,4000
")

假设我知道染色体的总长度(为简单起见，假设它们都在同一条染色体上)是 10000。所以，最后我希望有以下基因间区域列表:

"startR,endR
    0,1000
 1500,1600
 2600,3000
 4000,10000
"

can Bioconductor的 IRange在这里有用吗？或者还有其他一些好的方法来解决这个问题？

Answer 1

使用 Bioconductor 包 GenomicRanges ，将您的原始数据转换为 GRanges

library(GenomicRanges)
gr <- with(dtGenes, GRanges("chr1", IRanges(start, end, names=id),
                            seqlengths=c(chr1=10000)))

然后找到你的基因之间的差距

gaps <- gaps(gr)

GRanges知道链。您没有在 GRanges 中指定链构造函数，所以链被分配 * .因此，+、- 和 * 链上存在“间隙”，您只对 * 链上的那些感兴趣

> gaps[strand(gaps) == "*"]
GRanges with 4 ranges and 0 metadata columns:
      seqnames        ranges strand
         <Rle>     <IRanges>  <Rle>
  [1]     chr1 [   1,   999]      *
  [2]     chr1 [1501,  1599]      *
  [3]     chr1 [2601,  2999]      *
  [4]     chr1 [4001, 10000]      *
  ---
  seqlengths:
    chr1
   10000

请注意 Bioconductor 约定，染色体从 1 开始，并且范围是封闭的—— start和 end坐标包含在范围内。使用 shift和 narrow在 gr使您的范围符合 Bioconductor 惯例。 GRanges 操作在数百万范围内的数十个范围内是有效的。