Разбить регион на более мелкие регионы на основе отсечки

Question

Я полагаю, это довольно простая проблема программирования, но я боролся с ней. В основном потому, что я не знаю правильных слов, чтобы использовать, возможно?

Учитывая набор "диапазонов" (в виде 1-набора чисел, как показано ниже, 2-IRanges или 3-GenomicRanges), я бы хотел разделить его на набор меньших диапазонов.

Начало примера:

Chr    Start     End
1        1        10000
2        1        5000

Пример размера перерывов: 2000

Новый набор данных:

Chr    Start    End
1        1       2000
1        2001    4000
1        4001    6000
1        6001    8000
1        8001    10000
2        1       2000
2        2001    4000
2        4001    5000

Я делаю это в R. Я знаю, я мог бы генерировать это просто с seq, но я хотел бы иметь возможность делать это на основе списка /df регионов вместо необходимости вручную делать это каждый раз, когда у меня есть новый список регионов.

Вот пример, который я сделал, используя seq:

Учитывая 22 хромосомы, проходите через них и разбивайте каждую на части

# initialize df
Regions <- data.frame(Chromosome = c(), Start = c(), End = c())
# for each row, do the following
for(i in 1:nrow(Chromosomes)){
     # create a sequence from the minimum start to the max end by some value
     breks <- seq(min(Chromosomes$Start[Chromosomes$Chromosome == i]), max(Chromosomes$End[Chromosomes$Chromosome == i]), by=2000000)

     # put this into a dataframe
     database <- data.frame(Chromosome = i, Start = breks, End = c(breks[2:length(breks)]-1, max(Chromosomes$End[Chromosomes$Chromosome == i])))

     # bind with what we already have
     Regions <- rbind(Regions, database)
     rm(database)
}

Это прекрасно работает, мне интересно, есть ли что-то встроенное в пакет, чтобы сделать это как однострочное ИЛИ более гибкое, так как оно имеет свои ограничения.

Answer 1

Используя R / https://bioconductor.org/ пакет GenomicRanges, вот ваши начальные диапазоны

library(GenomicRanges)
rngs = GRanges(1:2, IRanges(1, c(10000, 5000)))

а затем создайте скользящее окно по всему геному, сгенерированное сначала в виде списка (один набор плиток на хромосому), а затем в списке для формата, который у вас есть в вашем вопросе

> windows = slidingWindows(rngs, width=2000, step=2000)
> unlist(windows)
GRanges object with 8 ranges and 0 metadata columns:
      seqnames        ranges strand
         <Rle>     <IRanges>  <Rle>
  [1]        1 [   1,  2000]      *
  [2]        1 [2001,  4000]      *
  [3]        1 [4001,  6000]      *
  [4]        1 [6001,  8000]      *
  [5]        1 [8001, 10000]      *
  [6]        2 [   1,  2000]      *
  [7]        2 [2001,  4000]      *
  [8]        2 [4001,  5000]      *

  -------
  seqinfo: 2 sequences from an unspecified genome; no seqlengths

Принудительно из / в data.frame с as(df, "GRanges") или же as(unlist(tiles), "data.frame"),

Найти помощь на ?"slidingWindows,GenomicRanges-method" (пополнение вкладки - ваш друг, ?"slidingW<tab>).

Смущает, что это, кажется, реализовано только в версии GenomicRanges 'devel' (v. 1.25.93?); tile делает что-то подобное, но округляет ширину диапазонов, чтобы быть примерно равной, охватывая ширину GRanges. Вот версия для бедняка

windows <- function(gr, width, withMcols=FALSE) {
    starts <- Map(seq, start(rngs), end(rngs), by=width)
    ends <- Map(function(starts, len) c(tail(starts, -1) - 1L, len),
                starts, end(gr))
    seq <- rep(seqnames(gr), lengths(starts))
    strand <- rep(strand(gr), lengths(starts))
    result <- GRanges(seq, IRanges(unlist(starts), unlist(ends)), strand)
    seqinfo(result) <- seqinfo(gr)
    if (withMcols) {
        idx <- rep(seq_len(nrow(gr)), lengths(starts))
        mcols(result) = mcols(gr)[idx,,drop=FALSE]
    }
    result
}

вызывается как

> windows(rngs, 2000)

Если подход полезен, подумайте над тем, чтобы задать дополнительные вопросы на сайте поддержки Bioconductor.