滚动连接以查找基因组区域

Question

简易版就是我想找到某个值一定距离内的所有匹配项。示例：

library(data.table)
reads <- structure(list(seqnames = c(1, 1, 1, 1, 1, 1, 1), start = c(100, 
100, 100, 130, 130, 132, 133), end = c(130, 130, 131, 160, 160, 
155, 160), strand = structure(c(1L, 1L, 1L, 1L, 1L, 1L, 1L), .Label = "+", class = "factor")), row.names = c(NA, 
-7L), class = c("data.table", "data.frame"), .internal.selfref = <pointer: 0x15af570>, sorted = c("start", 
"end", "strand"))

# take only the end position
p3 <- reads[, list(N3 = .N), by = c("seqnames", "end", "strand")]
setnames(p3, "end", "loc.3p")

# take only the start position
p5 <- reads[, list(N5 = .N), by = c("seqnames", "start", "strand")]
setnames(p5, "start", "loc.5p")

# find the start positions close to the end positions
p3[, loc := loc.3p]
p5[, loc := loc.5p]

p3[p5, roll=50, rollends=c(FALSE, TRUE), nomatch=0, on = c("seqnames", "strand", "loc")]

   seqnames loc.3p strand N3 loc loc.5p N5
1:        1    130      +  2 130    130  2
2:        1    131      +  1 132    132  1
3:        1    131      +  1 133    133  1

这有效，但只返回第一个匹配项。我现在的目标是找到所有匹配项（在指定的 50 个范围内）。预期输出：

   seqnames loc.3p strand N3 loc loc.5p N5
1:        1    130      +  2 130    130  2
2:        1    130      +  2 130    132  1
3:        1    130      +  2 133    133  1
4:        1    131      +  1 132    132  1
4:        1    131      +  1 133    133  1

注意 loc.3p 130 也应该与 loc.5p 132 和 132 匹配。

怎么做？我需要保留下一组操作的分数。

生物信息学版本，我试图找到一定距离内（在同一链中）的所有下游 5' reads。对于这个例子，我只使用“+”链，但我也必须为“-”链做它。由于这将针对数百万次读取完成，因此 data.table 似乎是合适的。我查看了 GenomicRanges 但保留两组数据（5' 和 3' 位置）的元数据有点令人费解。

Answer 1

当你说

within the specified range of 50

这让我想到非平等加入。将来如果您显示您想要的结果可能会有所帮助:)

对 p3 稍作修改，注意我跳过了创建您拥有的 loc 列。

p3[, "upper" := 50 + loc.3p]

非等值连接：

p3[p5, .(seqnames, x.loc.3p, strand,  N3, loc.5p, N5),
   on = .(seqnames, strand, loc.3p <= loc.5p, upper >= loc.5p), nomatch = 0
   ][order(x.loc.3p, loc.5p),
     .(seqnames, loc.3p = x.loc.3p, strand, N3, loc.5p, N5)
     ]

   seqnames loc.3p strand N3 loc.5p N5
1:        1    130      +  2    130  2
2:        1    130      +  2    132  1
3:        1    130      +  2    133  1
4:        1    131      +  1    132  1
5:        1    131      +  1    133  1

最后一个括号用于排序和重命名，我不完全确定为什么我必须在第一个括号中指定 x.loc.3p，但是没有它我得到了一个错误...

滚动连接以查找基因组区域

rolling join to find genomic regions

r

data.table

bioinformatics

genomicranges