我想推断不同样本之间的共享基因组间隔。
我的输入:
sample chr start end
NE001 1 100 200
NE001 2 100 200
NE002 1 50 150
NE002 2 50 150
NE003 2 250 300
我的预期输出:
chr start end freq
1 100 150 2
2 100 150 2
其中“频率”是有多少样本有助于推断共享区域。在上面的例子中,freq = 2(NE001 和 NE002)。
干杯!
最佳答案
如果您的数据在 data.frame 中(见下文),使用 Bioconductor GenomicRanges 包我创建一个 GRanges 实例,也保留非范围列
library(GenomicRanges)
gr <- makeGRangesFromDataFrame(df, TRUE)
由数据表示的离散范围由
disjoin
函数给出,不相交范围('query')和原始('subject')之间的重叠是d <- disjoin(gr)
olaps <- findOverlaps(d, gr)
将与每个重叠主题关联的样本信息与相应的查询分开,并将其与不相交的 GRanges 关联为
mcols(d) <- splitAsList(gr$sample[subjectHits(olaps)], queryHits(olaps))
导致例如
> d[elementLengths(d$value) > 1]
GRanges with 2 ranges and 1 metadata column:
seqnames ranges strand | value
<Rle> <IRanges> <Rle> | <CharacterList>
[1] 1 [100, 150] * | NE001,NE002
[2] 2 [100, 150] * | NE001,NE002
---
seqlengths:
1 2
NA NA
以下是我输入您的数据的方式:
txt <- "sample chr start end
NE001 1 100 200
NE001 2 100 200
NE002 1 50 150
NE002 2 50 150
NE003 2 250 300"
df <- read.table(textConnection(txt), header=TRUE, stringsAsFactors=FALSE)
关于r - R中的常见基因组区间,我们在Stack Overflow上找到一个类似的问题:https://stackoverflow.com/questions/23084322/