Encontrar superposición en rangos con R

Question

Tengo dos data.frames cada uno con tres columnas: chrom, start & stop, llamémosles rangesA y rangesB. Para cada fila de rangos A, estoy buscando para encontrar la fila (en el caso) en los rangos B que contiene completamente la fila RangosUna fila, me refiero a rangesAChrom == rangesBChrom, rangesAStart >= rangesBStart and rangesAStop <= rangesBStop.

En este momento estoy haciendo lo siguiente, que simplemente no me gusta mucho. Tenga en cuenta que estoy recorriendo las filas de rangos A por otras razones, pero ninguna de esas razones es probable que sea importante, simplemente hace que las cosas sean más legibles dada esta solución en particular.

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 

para cada fila de rangesA:

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

Calculo Tiene que haber una mejor (y por una mejor, me refiero más rápido en grandes instancias de rangeA y rangeB) forma de hacer esto que en bucle sobre este constructo. ¿Algunas ideas?

Answer 1

Esto sería mucho más fácil/más rápido si puede fusionar los dos objetos primero.

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

Para sus datos de ejemplo:

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) 
) 

Esto hacerlo con sapply, de manera que cada columna es una fila en rangesA y cada fila es correspondiente fila en 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

Utilice los paquetes IRanges/GenomicRanges de Bioconductor, que está hecho para tratar estos problemas exactos (y escalas masivas)

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

Hay algunos contenedores adecuados para rangos en diferentes cromosomas, uno es 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 y RangesB son claramente sintaxis BED, esto se puede hacer fuera de R en la línea de comandos con BEDtools, extremadamente rápido y flexible con una docena de otras opciones para trabajar con intervalos genómicos. A continuación, poner los resultados de nuevo en R.

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

Answer 5

El paquete data.table tiene una función de foverlaps() que es capaz de fusionarse sobre rangos de intervalo desde 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() conversos data.frame a data.table por referencia

• setkey() clasifica el data.table por las columnas proporcionadas (en este caso, todas las columnas, ya que no proporcionó ninguna), y marca esas columnas como ordenadas, que usaremos más adelante para realizar la unión.

• foverlaps() hace que la superposición se una de manera eficiente. Ver this answer para una explicación detallada y comparación con otros enfoques.

Answer 6

Añado la solución dplyr.

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

Salida:

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