Rolling Join, чтобы найти геномные регионы

Question

Быстрая версия заключается в том, что я хочу найти все совпадения на определенном расстоянии от определенных значений. Пример:

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

Это работает, но возвращается только первое совпадение. Моя цель сейчас найти все совпадения (в пределах указанного диапазона 50). Ожидаемый результат:

   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

Обратите внимание, как loc.3p 130 также должен соответствовать loc.5p 132 и 132.

Как это сделать? Мне нужно вести счет для следующего набора операций.

---

Биоинформатическая версия, я пытаюсь найти все нижестоящие 5'чтения до определенного расстояния (в той же цепи). В этом примере я использую только "+", но мне также придется сделать это для "-". Так как это будет сделано для миллионов чтений, data.table кажется уместным. Я смотрел в GenomicRanges но хранение метаданных для обоих наборов данных (позиции 5'и 3') немного запутано.

Answer 1

Когда ты сказал

в пределах указанного диапазона 50

Это заставляет меня думать, что мы не равны. В будущем может быть полезно, если вы покажете желаемый результат:)

небольшая модификация p3Обратите внимание, я пропустил создание loc колонка, которая у вас была.

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

Неравное объединение:

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

Последняя скобка для заказа и переименования, я не совсем уверен, почему я должен был указать x.loc.3p в первых скобках, но я получил ошибку без него...