如何按R中的列值范围过滤行？

如何解决如何按R中的列值范围过滤行？

我有 2 个遗传数据集。一个定义每行基因组中的范围，另一个数据集是基因长度范围的行，我想确保与第一个数据集中的范围没有任何重叠。

例如，我的数据如下所示：

#df1:
Chromosome     Min      Max
1              10       500 
1              450      550
2              20       100
2              900      1500
2              200      210
3               5       15
4              10       20

#df2:
Gene   Gene.Start    Gene.End   Chromosome
Gene1   10             60           1
Gene2   950            990          1
Gene3   8              14           3

我想提取/选择 df2 中没有 Gene.Start 和 Gene.End 范围的行，其中范围内的任何内容都属于 df1 中给出的范围在 Min 和 Max 列中 - 重要的是，Chromosome 数字的考虑也必须匹配。

示例的预期输出如下所示：

Gene   Gene.Start    Gene.End   Chromosome
Gene2   950            990          1

Gene2 是唯一一个具有起始和结束范围的基因/行，它不属于与 Chromosome 中匹配的 df1（查看染色体 1 中的范围）的任何范围。

要对此进行编码，我正在尝试使用 data.table，但我不确定如何像我希望的那样考虑范围。

我一直在努力让它发挥作用，但我不确定我在做什么：

df2[df1,match := i.Gene,on = .(Chromosome,(df2$Gene.Start > & < df2$Gene.End) > Min,(df2$Gene.Start > & < df2$Gene.End) < Max)]

Error: unexpected '&'

根据另一个数据帧中的范围，我该怎么做才能按其范围过滤数据帧？

示例输入数据：

df1 <- structure(list(Chromosome = c(1L,1L,2L,3L,4L),Min = c(10L,450L,20L,900L,200L,5L,10L),Max = c(500L,550L,100L,1500L,210L,15L,20L)),row.names = c(NA,-7L),class = c("data.table","data.frame"))

df2 <- structure(list(Gene = c("Gene1","Gene2","Gene3"),Gene.Start = c(10L,950L,8L),Gene.End = c(60L,990L,14L),Chromosome = c(1L,3L)),-3L),"data.frame"
))

解决方法

这是一个 data.table 方法

library(data.table)
# keep Gene that are not joined in the non-equi join on df1 below
df2[!Gene %in% df2[df1,on = .(Chromosome,Gene.Start >= Min,Gene.End <= Max)]$Gene,]
#     Gene Gene.Start Gene.End Chromosome
# 1: Gene2        950      990          1

,

这是我对 dplyr 方法的尝试。请告诉我。

library(dplyr)
library(tidyr)
df2 %>% 
  right_join(df1,by = "Chromosome") %>% 
  filter(Gene.Start<Min | Gene.Start>Max,Gene.End>Max | Gene.End>Min) %>% 
  distinct(Gene,Gene.Start,Gene.End,Chromosome,.keep_all = TRUE) %>% 
  select(Gene,Chromosome)

输出：

   Gene Gene.Start Gene.End Chromosome
1 Gene2        950      990          1

,

data.table 解决方案效果最好，因为它在我更大的真实数据上是最快的，但我最终还是用 GenomicRanges 找到了另一个解决方案，所以我想我也会分享给其他人以供将来参考:

library(GenomicRanges)

gr1 <- makeGRangesFromDataFrame(
  data.frame(
    chr=df1$Chromosome,start=df1$Min,end=df1$Max),keep.extra.columns=TRUE)

gr2 <- makeGRangesFromDataFrame(
  data.frame(
    chr=df2$Chromosome,start=df2$Gene.Start,end=df2$Gene.End,Gene = df2$Gene),keep.extra.columns=TRUE)

no_overlaps <- gr2[-queryHits(findOverlaps(gr2,gr1,type="any")),] 

no_overlap_genes <- unique(no_overlaps$Gene)

gene_matches <- df2[Gene %in% no_overlap_genes]