有效地聚合大型 GRanges 中的垃圾箱

Question

我有一个 SummarizedExperiment（但我们可以将其视为 GRanges）。我想要的是减少间隔的数量，每个相同的相邻只保留一行 mcol(gr)，重要的是还要跟踪新的扩展间隔。

非常感谢！

gr <- GRanges(
seqnames = Rle(c("chr1"), c(12)),
ranges = IRanges(1:12*10, end = 1:12*10+5),
state1 = c(1,1,1,1,2,3,4,5,5,5,1,1),
state2 = c(1,1,1,2,2,2,5,5,6,6,1,1))

生成的 GRanges 应如下所示：

gr2 <- GRanges(
  seqnames = Rle(c("chr1"), c(8)),
  ranges = IRanges(start = c(10,40,50,60,70,80,90,110),
  end =  c(35,45,55,65,75,85,105,125)),
  state1 = c(1,1,2,3,4,5,5,1), state2 = c(1,2,2,2,5,5,6,1))

编辑：我编辑了 Granges，以便在非相邻间隔中也存在状态对（第二个 1,1 对必须独立于第一个报告）对不起，我最初的解决方案也是错误的！

非常感谢！

Answer 1

创建一个人为因素，确保级别按照因素中出现的顺序（而不是默认的字母顺序）以避免重新排列 GRanges，并拆分 GRanges 对象

f0 = paste(gr$state1, gr$state2, sep=".")
f = factor(f0, levels=unique(f0))
grl = split(gr, f)

获取范围和相关元数据

grf = unlist(range(grl), use.names=FALSE)
mcols(grf) = mcols(gr)[!duplicated(f),]

对于这种大小的数据，

split()、range() 和 unlist() 都应该是 'fast'。

要在染色体上也进行分裂，将其添加到因子

f0 = paste(seqnames(gr), gr$state1, gr$state2, sep=".")

要以其他方式拆分，例如，仅当状态相邻时，找出一种方法来生成适当的因子，例如，

f0 = paste(
    seqnames(gr),
    cumsum(c(TRUE, diff(gr$state1) != 0)),
    cumsum(c(TRUE, diff(gr$state2) != 0)),
    sep=".")

在 Bioconductor 上询问有关 Bioconductor 包的问题 support site。

有效地聚合大型 GRanges 中的垃圾箱

aggregate bins in large GRanges efficiently

aggregate

r

dplyr

genomicranges