如何从两个数据表中删除重叠序列？

Question

我有两个 data.tables 提供跨不同染色体（类别）的序列坐标。例如：

library(data.table)
dt1 <- data.table(chromosome = c("1", "1", "1", "1", "X"),
                  start = c(1, 50, 110, 150, 110),
                  end = c(11, 100, 121, 200, 200))
dt2 <- data.table(chromosome = c("1", "1", "X"),
                  start = c(12, 60, 50),
                  end = c(20, 115, 80))

我需要创建第三个 data.table，它为包含 dt1 中的所有整数的序列提供坐标，这些整数不与 dt2 中的序列中的任何整数重叠。例如：

dt3 <- data.table(chromosome = c("1", "1", "1", "1", "X"),
                  start = c(1, 50, 116, 150, 110),
                  end = c(11, 59, 121, 200, 200))

我需要运行它的 data.tables 非常大，因此我需要最大限度地提高性能。我曾尝试使用 foverlaps() 函数，但无济于事。任何帮助将不胜感激！

Answer 1

你可以从foverlaps开始这样的事情

setkey(dt2,chromosome,start,end)
ds = foverlaps(dt1,dt2,  type="any")
ds[,.(chromosome, 
      start = fcase(is.na(start) | i.start <= start,i.start,
                    i.end >= end, end + 1),
      end = fcase(is.na(end) | i.end >= end, i.end,
                  i.start <= start, start - 1)
      )]
#   chromosome start   end
#       <char> <num> <num>
#1:          1     1    11
#2:          1    50    59
#3:          1   116   121
#4:          1   150   200
#5:          X   110   200

Answer 2

为了完整起见，有一个使用 Bioconductor 的 GenomicRanges 包的简洁解决方案：

library(GenomicRanges)
setdiff(makeGRangesFromDataFrame(dt1), makeGRangesFromDataFrame(dt2))

GRanges object with 5 ranges and 0 metadata columns:
      seqnames    ranges strand
         <Rle> <IRanges>  <Rle>
  [1]        1      1-11      *
  [2]        1     50-59      *
  [3]        1   116-121      *
  [4]        1   150-200      *
  [5]        X   110-200      *
  -------
  seqinfo: 2 sequences from an unspecified genome; no seqlengths

---

如果结果需要属于data.table类：

library(data.table) # development version 1.14.3 used
library(GenomicRanges)
setdiff(makeGRangesFromDataFrame(dt1), makeGRangesFromDataFrame(dt2)) |> 
  as.data.table() |>
  DT(, .(chromosome = seqnames, start, end))

   chromosome start   end
       <fctr> <int> <int>
1:          1     1    11
2:          1    50    59
3:          1   116   121
4:          1   150   200
5:          X   110   200

---

作为mentioned by Waldi，CRAN 不提供GenomicRanges 包。 Waldi 提供了the link to the installation guide in the BiocManager vignette。这是简短的版本：

install.packages("BiocManager")
BiocManager::install("GenomicRanges")