识别 R 中连续重叠的片段

Question

我需要将重叠的片段聚合成单个片段，范围 所有连接的片段。

请注意，简单的重叠无法检测到非重叠但连接的段之间的连接，请参阅示例进行说明。如果在我的情节中我的部分会下雨，我正在寻找干燥的地面。

到目前为止，我通过迭代算法解决了这个问题，但我想知道是否有更优雅、更直接的方法来解决这个问题。我肯定不是第一个面对它的人。

我在考虑非等值滚动连接，但没能实现

library(data.table)
(x <- data.table(start = c(41,43,43,47,47,48,51,52,54,55,57,59), 
                  end = c(42,44,45,53,48,50,52,55,57,56,58,60)))

#     start end
#  1:    41  42
#  2:    43  44
#  3:    43  45
#  4:    47  53
#  5:    47  48
#  6:    48  50
#  7:    51  52
#  8:    52  55
#  9:    54  57
# 10:    55  56
# 11:    57  58
# 12:    59  60

setorder(x, start)[, i := .I] # i is just a helper for plotting segments
plot(NA, xlim = range(x[,.(start,end)]), ylim = rev(range(x$i)))
do.call(segments, list(x$start, x$i, x$end, x$i))

x$grp <- c(1,3,3,2,2,2,2,2,2,2,2,4) # the grouping I am looking for
do.call(segments, list(x$start, x$i, x$end, x$i, col = x$grp))
(y <- x[, .(start = min(start), end = max(end)), k=grp])

#    grp start end
# 1:   1    41  42
# 2:   2    47  58
# 3:   3    43  45
# 4:   4    59  60

do.call(segments, list(y$start, 12.2, y$end, 12.2, col = 1:4, lwd = 3))

编辑：

太棒了，谢谢，cummax 和 cumsum 完成了这项工作，Uwe 的回答比 David 的评论稍微好一些。

end[.N] 可能会得到错误的结果，请尝试下面的示例数据 x。 max(end) 在所有情况下都是正确的，而且速度更快。

x <- data.table(start = c(11866, 12696, 13813, 14011, 14041), end = c(13140, 14045, 14051, 14039, 14045))
min(start)和start[1L]给的一样（因为x是按start排序的），后者更快。
动态 grp 明显更快，不幸的是我需要分配 grp。
cumsum(cummax(shift(end, fill = 0)) < start) 明显快于 cumsum(c(0, start[-1L] > cummax(head(end, -1L)))).
我没有测试包 GenomicRanges 解决方案。

Answer 1

您可以尝试 GenomicRanges 方法。在输出中，每一行都是一个组。

library(GenomicRanges)
x_gr <- with(x, GRanges(1, IRanges(start, end)))
as.data.table(reduce(x_gr, min.gapwidth=0))[,2:3]
   start end
1:    41  42
2:    43  45
3:    47  58
4:    59  60

并且可以使用 Gviz 进行目视检查。这里必须知道该软件包是为生物学家和遗传信息而构建的。背后的图案是DNA碱基。因此，必须减去 1 个线段末端才能得到正确的图。

library(Gviz)
ga <- Gviz::GenomeAxisTrack()
xgr <- with(x, GRanges(1, IRanges(start, end = end - 1)))
xgr_red <- reduce(xgr, min.gapwidth=1)
ga <- GenomeAxisTrack()
GT <- lapply(xgr, GeneRegionTrack)
GT_red <- lapply(xgr_red, GeneRegionTrack, fill = "lightblue")
plotTracks(c(ga, GT, GT_red),from = min(x$start), to = max(x$start)+2)

Answer 2

OP 已请求将重叠的段聚合为一个包含所有连接段的段。

这是另一个使用 cummax() 和 cumsum() 来识别重叠或相邻段组的解决方案：

x[order(start, end), grp := cumsum(cummax(shift(end, fill = 0)) < start)][
  , .(start = min(start), end = max(end)), by = grp]

   grp start end
1:   1    41  42
2:   2    43  45
3:   3    47  58
4:   4    59  60

免责声明：我在 SO 的其他地方看到过这种巧妙的方法，但我记不起确切的位置。

编辑:

与一样，不需要单独创建grp变量。这可以在 by = 参数中即时完成：

x[order(start, end), .(start = min(start), end = max(end)), 
  by = .(grp = cumsum(cummax(shift(end, fill = 0)) < start))]

可视化

OP 的情节可以修改以显示聚合的片段（快速和肮脏）：

plot(NA, xlim = range(x[,.(start,end)]), ylim = rev(range(x$i)))
do.call(segments, list(x$start, x$i, x$end, x$i))
x[order(start, end), .(start = min(start), end = max(end)), 
  by = .(grp = cumsum(cummax(shift(end, fill = 0)) < start))][
    , segments(start, grp + 0.5, end, grp + 0.5, "red", , 4)]

识别 R 中连续重叠的片段

identify consecutively overlapping segments in R

grouping

r

overlap

data.table

locf

可视化