如何根据连接或重复信息对行进行分组？

Question

我有一个基因组位置的基因数据集，我希望根据相关的重复信息对该数据集中的行/基因组位置进行分组。我的意思是:

如果我有点a、B、C等的数据集：

Point Connections
A       A, B
B       B, C
C       C, B
D       D, E, F, G

我想通过为这些行设置匹配的组编号列来对彼此具有连接（无论是否直接）的那些进行分组，例如，此数据集分组为：

Point Connections     Group
A       A, B            1
B       B, C            1
C       C, B            1 
D       D, E, F, G      2

#A B and C are all connected to each other so are in the same group, even if A and C are 
#not directly connected in the Connections column
#D is the first row seen that is unrelated so is put in a separate group which would also
#include D's connecting letters and any connectors of those letters

我的实际数据集的一个样本是染色体位置（CP），其中第一个数字是染色体，第二个数字（后面是A:）是该染色体上的基因组位置，因此看起来像这样（实际数据约为3000行）：

CP        linked_CPS
1:100    1:100, 1:203
1:102    1:102
1:203    1:100, 1:203, 1:400
1:400    1:400
2:400    2:400, 2:401
2:401    2:401, 2:400

预期输出分组连接行：

CP        linked_CPS          Group
1:100    1:100, 1:203           1
1:203    1:100, 1:203, 1:400    1
1:400    1:400                  1
1:102    1:102                  2
2:400    2:400, 2:401           3
2:401    2:401, 2:402           3

需要注意的一点是，不同的染色体(< code>CP的起始编号1:或2:不能在同一组中，即使第二个编号相同，例如< code>1:400和< code>2:400与它们在染色体1和2上不在同一组中)。

同样对于上下文，我的最终目标是取每个组的最小和最大位置来设置基因组中每个组的区域距离。

我已经看到了其他具有类似分组匹配/重复信息基础的问题，但不确定如何将它们应用于此问题，并且我有生物学背景，因此不确定哪些包/函数是最好的。任何帮助都将不胜感激。

输入数据：

structure(list(CP = c("1:100", "1:102", "1:203", "1:400", "2:400", 
"2:401"), linked_CPS = c("1:100, 1:203", "1:102", "1:100, 1:203, 1:400", 
"1:400", "2:400, 2:401", "2:401, 2:402")), row.names = c(NA, 
-6L), class = c("data.table", "data.frame"))

Answer 1

如果我正确理解您的问题，您正在图中寻找连通组件。

下面的代码将您的data.frame转换为图形并找到这些组件。

library(tidyverse)
library(tidygraph)

df <- structure(list(CP = c("1:100", "1:102", "1:203", "1:400", "2:400", 
                      "2:401"), linked_CPS = c("1:100, 1:203", "1:102", "1:100, 1:203, 1:400", 
                                               "1:400", "2:400, 2:401", "2:401, 2:402")), row.names = c(NA, 
                                                                                                        -6L), class = c("data.table", "data.frame"))

df %>% 
  separate_rows(linked_CPS, sep = ", ") %>% 
  as_tbl_graph() %>% 
  activate(nodes) %>% 
  mutate(group = group_components()) %>% 
  as_tibble()

这给了

# A tibble: 7 x 2
  name  group
  <chr> <int>
1 1:100     1
2 1:102     3
3 1:203     1
4 1:400     1
5 2:400     2
6 2:401     2
7 2:402     2