如果在文件 A 的间隔中找到文件 B 的位置，则打印到新的数据帧

Question

我有两个文件。

文件 A 具有间隔（基因组上的区域）

  chr  startpos    endpos nMajor nMinor
1   1    762273 120612006      1      0
2   1 144854594 187610698      2      1
3   1 193051685 249120684      1      1
4   2     45895 242836535      1      1
5   3    361508 197566254      1      1
6   4     86022 190862182      1      1

文件 B 具有位置（突变）

     mutation_id chr    start      end ref_counts var_counts
1  1_3649563_G/T   1  3649563  3649564        551        159
2  1_6196895_G/C   1  6196895  6196895         85         30
3 1_10678395_C/T   1 10678395 10678395        274         60
4 1_11090913_G/C   1 11090913 11090914         70         41
5 1_11772423_G/A   1 11772423 11772423        146         55
6 1_12316528_C/G   1 12316528 12316528        110         88

现在我想将这两个文件合并到文件 C，如果位置落在相应的区间内，则将文件 A 的 nMajor 和 nMinor 的信息添加到文件 B。

所以我需要先检查染色体是否相同，然后检查FileB中的开始和结束位置是否在FileA的区间内。

我的输出应该是：文件 C

 mutation_id chr    start      end   ref_counts   var_counts  nMajor  nMinor
1  1_3649563_G/T   1  3649563  3649563        551        159    1      0
2  1_6196895_G/C   1  6196895  6196895         85         30    1      0
3 1_10678395_C/T   1 10678395 10678395        274         60    1      0
4 1_11090913_G/C   1 11090913 11090913         70         41    1      0
5 1_11772423_G/A   1 11772423 11772423        146         55    1      0
6 1_12316528_C/G   1 12316528 12316528        110         88    1      0

对于无法在FileB的区间内找到的行，我想打印“X”作为占位符。

Answer 1

您可以使用 fuzzyjoin 完成此任务：

library(dplyr)
library(fuzzyjoin)

file_b %>% 
  fuzzy_left_join(file_a,
                  by = c("chr" = "chr",
                         "start" = "startpos",
                         "end" = "endpos",
                         "start" = "endpos", 
                         "end" = "startpos"),
                  match_fun = list(`==`, `>`, `<`, `<`, `>`)) %>% 
  select(-startpos, -endpos, -chr.y) %>% 
  rename(chr = chr.x)

我没有为 non-match 创建 X，因为这会破坏 nMajor、nMinor 列的 class 并将它们转换为一个string/character。我认为这不是个好主意，NA 值很容易处理。

这个returns

# A tibble: 7 x 8
  mutation_id      chr    start      end ref_counts var_counts nMajor nMinor
  <chr>          <dbl>    <dbl>    <dbl>      <dbl>      <dbl>  <dbl>  <dbl>
1 1_3649563_G/T      1  3649563  3649564        551        159      1      0
2 1_6196895_G/C      1  6196895  6196895         85         30      1      0
3 1_10678395_C/T     1 10678395 10678395        274         60      1      0
4 1_11090913_G/C     1 11090913 11090914         70         41      1      0
5 1_11772423_G/A     1 11772423 11772423        146         55      1      0
6 1_12316528_C/G     1 12316528 12316528        110         88      1      0
7 ABC                2      123      456          2          3     NA     NA

数据

file_a <- structure(list(chr = c(1, 1, 1, 2, 3, 4), startpos = c(762273, 
144854594, 193051685, 45895, 361508, 86022), endpos = c(120612006, 
187610698, 249120684, 242836535, 197566254, 190862182), nMajor = c(1, 
2, 1, 1, 1, 1), nMinor = c(0, 1, 1, 1, 1, 1)), row.names = c(NA, 
-6L), class = c("tbl_df", "tbl", "data.frame"))

在 file_b 中，我添加了一个假数据集来引发 non-match:

file_b <- structure(list(mutation_id = c("1_3649563_G/T", "1_6196895_G/C", 
"1_10678395_C/T", "1_11090913_G/C", "1_11772423_G/A", "1_12316528_C/G", 
"ABC"), chr = c(1, 1, 1, 1, 1, 1, 2), start = c(3649563, 6196895, 
10678395, 11090913, 11772423, 12316528, 123), end = c(3649564, 
6196895, 10678395, 11090914, 11772423, 12316528, 456), ref_counts = c(551, 
85, 274, 70, 146, 110, 2), var_counts = c(159, 30, 60, 41, 55, 
88, 3)), row.names = c(NA, -7L), class = c("tbl_df", "tbl", "data.frame"
))

如果在文件 A 的间隔中找到文件 B 的位置，则打印到新的数据帧

If position from File B is found in interval of file A, print to new dataframe

r

overlapping-matches

genome

数据