如何对范围内的行进行分组并考虑第三列？

Question

我有一个遗传数据集，我想对基因组中物理上接近的遗传变异/行进行分组。我想对每个染色体（染色体）基因组中某些斑点范围内的基因进行分组。

我的“spots”数据集包含变量/行需要在一定范围内的位置，如下所示:

 chrom      low       high
   1        500       1700
   1        19500     20600
   5        400       1500

我的< code>low和< code>high列是我希望查看下一个数据集中是否有任何行落入其中的范围，同时考虑到染色体(< code>chrom)也必须匹配。具有唯一范围和chrom组合的每一行都是它自己的组，我正在查看我的另一个数据集中是否有任何内容属于该组。

我的另一个数据集有一个位置值，我正在查看它是否符合上面的任何范围，匹配＜code＞chrom，以便将其标记为对应于该范围，然后我可以将相同范围和chrom中的位置分组在一起：

Gene   chrom position 
Gene1   1    1200          
Gene2   1    10000        
Gene3   5    500 
Gene4   5    560
Gene5   1    20100           

我曾尝试使用＜code＞group_by（））。

输出如下所示：

Gene   chrom position   Group 
Gene1   1    1200          1  #position is in one of the ranges and matches the chrom so is in a group    
Gene2   1    10000        NA  #does not fit into any range on chrom 2 (no matches)
Gene3   5    500           2  #position is in one of the ranges and matches the chrom so is in a group
Gene4   5    560           2  #position is in the same range and chrom as above so joins that group
Gene5   1    20100         3  #position matches a chrom and range and so gets a group corresponding to that particular chrom and range

• Gene3和Gene4不在组1中，因为它们在不同的chrom上，但它们确实匹配chrom并且在我的第一个数据集的第3行的范围内-因此它们可以在对应于该范围和chrom的组中。
• Gene5与Gene1不在同一个组中，因为它们匹配chrom，它们在low和high的不同范围内，因此获取自己的组为唯一的范围。

因此，我创建了一个< code>Group列，对于同一< code>chrom上的< code>low和< code>high之间的同一范围内的所有行，如果它们的位置在第一个数据集中的任何范围和chrom中都不匹配，则为NA。

输入数据：

df1 <- 
structure(list(chrom = c(1L, 1L, 5L), 
   low = c(500L, 19500L, 400L), high = c(1700L, 20600L, 1500L
    )), row.names = c(NA, -3L), class = c("data.table", "data.frame"))

df2 <- 
structure(list(Gene = c("Gene1", "Gene2", "Gene3", "Gene4", "Gene5"
), chrom = c(1L, 1L, 5L, 5L, 1L), position = c(1200L, 10000L, 
500L, 560L, 20100L)), row.names = c(NA, -5L), class = c("data.table", 
"data.frame"))

我还在考虑为每个唯一范围和 chrom 组合为我的第一个数据集提供唯一标识符，然后将该标识符分配给数据集 2 中与该组合匹配的任何行，以便该标识符创建我的组编号列。虽然我的真实数据是2.3k行的范围和82k行以匹配到共享组中，所以我在运行我通常会尝试的dplyr选项时也遇到了问题。

Answer 1

匿名用户

正如注释中所指出的，您只需使用< code>GenomicRanges中的< code>findOverlaps来查找包含第二个data.frame中行的参考数据帧中的行

您的df2与示例中显示的有点不同，因此我将其更改为匹配:

df2 = structure(list(Gene = c("Gene1", "Gene2", "Gene3", "Gene4", "Gene5"
), chrom = c(1L, 1L, 5L, 5L, 1L), position = c(1200L, 10000L, 
500L, 560L, 20100L)), row.names = c(NA, -5L), class = c("data.table", 
"data.frame"))

你的 df1 有不同的顺序：

  chrom   min   max   low  high
1     1  1000  1200   500  1700
2     1 20000 20100 19500 20600
3     5   900  1000   400  1500

我们可以制作一个GenomicRanges对象，如下所示:

library(GenomicRanges)
gr1 = makeGRangesFromDataFrame(df1,start.field="low",end.field="high")
gr1$Group = 1:length(gr1)

        GRanges object with 3 ranges and 1 metadata column:
      seqnames      ranges strand |     Group
         <Rle>   <IRanges>  <Rle> | <integer>
  [1]        1    500-1700      * |         1
  [2]        1 19500-20600      * |         2
  [3]        5    400-1500      * |         3

然后对第二个数据帧执行同样的操作并找到重叠：

gr2 = makeGRangesFromDataFrame(df2,start.field="position",end.field="position")
ovlp = as.data.frame(findOverlaps(gr2,gr1))
df2$Group = ovlp$subjectHits[match(1:length(gr2),ovlp$queryHits)]

  Gene chrom position Group
1 Gene1     1     1200     1
2 Gene2     1    10000    NA
3 Gene3     5      500     3
4 Gene4     1      560     1
5 Gene5     1    20100     2

Answer 2

如果您了解sql，那么可以在sql R中快速解决此问题：

df1$group_id <- seq(nrow(df1)) #This creates the unique groups for each interval

sqldf::sqldf('
    SELECT df2.*, df1.group_id 
    FROM df2 
    LEFT JOIN df1 
    ON df2.chrom = df1.chrom AND position between low AND high')

  Gene chrom position group_id
1 Gene1     1     1200        1
2 Gene2     1    10000       NA
3 Gene3     5      500        3
4 Gene4     5      560        3
5 Gene5     1    20100        2

Answer 3

您可以在< code>data.table中使用非对等联接:

library(data.table)
df1 <- setDT(df1)
df2 <- setDT(df2)

df1[,group := 1:.N]
df1[df2,on = .(chrom, low < position, high > position)]


   chrom   low  high group  Gene
1:     1  1200  1200     1 Gene1
2:     1 10000 10000    NA Gene2
3:     5   500   500     3 Gene3
4:     5   560   560     3 Gene4
5:     1 20100 20100     2 Gene5

在这里，我首先为df1的每一行设置一个组。合并后，如果满足条件，则该行将与组相关联。

非均衡合并不是超级直观的，而是超级强大和明确的：合并条件＜code＞。（色度，低

在data.table中，当你这样做时

df1[df2,on = something]

您用满足在上表示的条件的df2行子集df1。如果某事只是df1和df2的公共变量，那么它等价于

merge(df1,df2,all.y = T,by = "someting")

但是，某些内容可以是两个 data.表中的变量之间的变量和条件的列表。此处，.（） 表示列表，.（铬，低

使用不等式的非等比合并的输出替换了主数据不等式中表示的变量。表（即，df1）中的变量。表（即这里的df2），因此low和high成为位置。如果要保持＜code＞低

您实际上可以进行相反的合并，我们通过df1条目子集df2，条件相同：

df2[df1,on = .(chrom,position >low , position<high)]

    Gene chrom position position.1 group
1: Gene1     1      500       1700     1
2: Gene5     1    19500      20600     2
3: Gene3     5      400       1500     3
4: Gene4     5      400       1500     3

在这里，您将df1子集为df2的条目，这些条目满足 = .()上中表示的条件，并获得实际上属于一个组的Gene列表（Gene2不在这里，因为它与子集不匹配）。

与上面解释的类似，这里＜code＞位置＜code＞变为＜code＞低＜code＞和＜code＞高＜code＞

我刚刚看到了@DavidArenburg的评论，这是我建议和解释的更简洁和更好的版本：

df2[, grp := df1[.SD, which = TRUE, on = .(chrom, low <= position, high >= position)]]

直接关联非等式合并的结果 df1[df2，on = .（铬，低