从区间数据帧中查找子区间答案

【问题标题】：Finding sub intervals from interval data frames从区间数据帧中查找子区间
【发布时间】：2017-08-02 05:57:15
【问题描述】：

我有两个data.frames，其坐标为线性区间，对应于 id。每个 id 有几个线性区间。其中一个data.frames 被称为exon.df：

exon.df <- data.frame(id=c(rep("id1",4),rep("id2",3),rep("id3",5)),
                      start=c(10,20,30,40,100,200,300,1000,2000,3000,4000,5000),
                      end=c(15,25,35,45,150,250,350,1500,2500,3500,4500,5500))

还有一个cds.df：

cds.df <- data.frame(id=c(rep("id1",3),rep("id2",3),rep("id3",3)),
                      start=c(20,30,40,125,200,300,2250,3000,4000),
                      end=c(25,35,45,150,250,325,2500,3500,4250))

它们都具有相同的 id，但 cds.df 的区间包含在 exon.df 的区间内。 exons.df 中的间隔是基因的外显子（基因组的一部分被复制并缝合在一起以形成基因的转录本），cds.df 中的间隔是这些外显子中将被翻译成蛋白质的部分，因为外显子基因转录本还包含不会被翻译的部分（未翻译区域 - utr）。这些 utr 只能位于基因转录本的开头和结尾。开头的utr称为5'utr，结尾的utr称为3'utr。 utr 可能根本不存在，也可能跨越基因两端的单个或多个外显子的一部分。

这意味着一个id的5'utr从它在exon.df的第一个区间的第一个位置开始到它在cds.df的第一个区间之前的一个位置，并包括exon.df之间的所有外显子如果存在的话。类似地，id 的 3'utr 从cds.df 的最后一个间隔之后的一个位置开始到exon.df 的最后一个间隔的最后一个位置，并包括exons.df 中的所有外显子（如果存在）。如果 id 在cds.df 中的第一个间隔的第一个位置是它在exon.df 中的第一个间隔的第一个位置，并且类似地如果它在@ 中的最后一个间隔的最后一个位置，则 id 也可能没有一个或两个 utr 987654339@ 是它在exon.df 中最后一个区间的最后一个位置。

我正在寻找一种快速的方法来检索这些 5'utr 和 3'utr 间隔给 exon.df 和 cds.df。

这个例子的结果应该是这样的：

utr5.df <- data.frame(id=c("id1","id2","id3","id3"),
                     start=c(10,100,1000,2000),
                     end=c(15,124,1500,2249))

utr3.df <- data.frame(id=c("id2","id3","id3"),
                     start=c(326,4251,5000),
                     end=c(350,4500,5500))

【问题讨论】：

标签： r dataframe intervals intersection

【解决方案1】：

你知道Bioconductor吗？它是 R 的一个附加组件，特别适用于生物科学。它有一个名为GenomicRanges 的包，您可以使用它创建一个包含所有外显子的GRanges 对象，以及另一个包含所有CDS 的对象。

然后您可以对这两个对象进行 设置差异 以获取 UTR。检查“setops-methods”部分here。你想要'setdiff'函数。

所以：将你的 data.frames 转换为 GRange 对象，然后发出类似utrs <- setdiff(exons, cds)

【讨论】：

谢谢。 setdiff 是获取 UTR 的正确函数
哦，对了，你需要 setdiff，抱歉。我说'相交'。我更新了我的答案。