Эффективно построить GRanges/IRanges из вектора Rle

Question

У меня есть вектор длины, закодированный, представляющий некоторое значение в каждой позиции в геноме, по порядку. В качестве примера игрушки предположим, что у меня была только одна хромосома длиной 10, тогда у меня был бы вектор, похожий на

library(GenomicRanges)

set.seed(1)
toyData = Rle(sample(1:3,10,replace=TRUE))

Я хотел бы привести это в объект GRanges. Лучшее, что я могу придумать, это

gr = GRanges('toyChr',IRanges(cumsum(c(0,runLength(toyData)[-nrun(toyData)])),
                              width=runLength(toyData)),
             toyData = runValue(toyData))

который работает, но довольно медленно. Есть ли более быстрый способ построить тот же объект?

Answer 1

Как отметил @TheUnfunCat, решение ОП довольно солидно. Решение ниже только умеренно быстрее, чем оригинальное решение. Я попробовал почти каждую комбинацию base R и не мог побить эффективность Rle от S4Vectors пакет, поэтому я прибег к Rcpp, Вот основная функция:

GenomeRcpp <- function(v) {
    x <- WhichDiffZero(v)
    m <- v[c(1L,x+1L)]
    s <- c(0L,x)
    e <- c(x,length(v))-1L
    GRanges('toyChr',IRanges(start = s, end = e), toyData = m)
}

WhichDiffZero это Rcpp функция, которая в значительной степени делает то же самое, что и which(diff(v) != 0) в base R, Большая заслуга принадлежит @ G.Grothendieck.

#include <Rcpp.h>
using namespace Rcpp;

// [[Rcpp::export]]
IntegerVector WhichDiffZero(IntegerVector x) {
    int nx = x.size()-1;
    std::vector<int> y;
    y.reserve(nx);
    for(int i = 0; i < nx; i++) {
        if (x[i] != x[i+1]) y.push_back(i+1);
    }
    return wrap(y);
}

Ниже приведены некоторые тесты:

set.seed(437)
testData <- do.call(c,lapply(1:10^5, function(x) rep(sample(1:50, 1), sample(1:30, 1))))

microbenchmark(GenomeRcpp(testData), GenomeOrig(testData))
Unit: milliseconds
                expr      min       lq     mean   median       uq      max neval cld
GenomeRcpp(testData) 20.30118 22.45121 26.59644 24.62041 27.28459 198.9773   100   a
GenomeOrig(testData) 25.11047 27.12811 31.73180 28.96914 32.16538 225.1727   100   a

identical(GenomeRcpp(testData), GenomeOrig(testData))
[1] TRUE

Я работал над этим в течение последних нескольких дней, и я определенно не удовлетворен. Я надеюсь, что кто-то возьмет то, что я сделал (поскольку это другой подход), и создаст что-то намного лучшее.