テーブルの交差効率の向上

Question

私は2つのテーブルを持っています。これらは両方とも染色体の形であり、この染色体の開始座標と終了座標の両方にあります。第1の表は遺伝子を含み、第2の表はこれらの遺伝子に含まれてもしなくてもよい短い配列を含む。私の実際のデータセットでは、遺伝子は約50,000行であり、配列は約7.000.000行であり、両方のテーブルにはさまざまな余分な列があります。私は2つのテーブルの重複を見つけたいと思います。

chromosome=as.character(rep(c(1,2,3,4,5), each=10000)) 
start=floor(runif(50000, min=0, max=50000000)) 
end=start+floor(runif(10000, min=0, max=10000)) 
genes=cbind(chromosome, start, end) 

startseq=floor(runif(7000000, min=0, max=50000000)) 
endseq=startseq+4 
sequences=cbind(chromosome, startseq, endseq) 

私が使用しているすべての交差を見つけようとしています：

for (g in 1:nrow(sequences)) { 
    seqrow=as.vector(sequences[g,]) 
    rownr=which(genes[,1]==seqrow[1] & genes[,2] < seqrow[2] & genes[,3] > seqrow[3]) 
    print(rownr) 
} 

私は私が私の本当のデータセットを持っている余分な列に対してアクションを実行するには、これらの行番号を使用する予定です。現在の問題は、記述されたプロセスがかなり遅いことです。どのようにしてこの交差をスピードアップできますか？

Answer 1

このタスクにはbioconductor、特にGenomicRangesパッケージを使用します。オーバーラップのインデックスを含むクラス "ヒット"のオブジェクトを返します。 intersect関数を使うこともできますが、これは交差するseqのidではなく交差の間隔を返します。短いバイオコンダクタとGenomicRangesには、非常に高速な多くの便利なセット機能があります。

## try http:// if https:// URLs are not supported 
source("https://bioconductor.org/biocLite.R") 
biocLite() 
biocLite("GenomicRanges") ## I think genomicranges is part of the standard bioconductor install but if not this will install it. 


library(GenomicRanges) 

set.seed(8675309) 
chromosome <- as.character(rep(c(1,2,3,4,5), each=10000)) 
start <- floor(runif(50000, min=0, max=50000000)) 
end <- start+floor(runif(10000, min=0, max=10000)) 
genes <- cbind(chromosome, start, end) 

startseq <- floor(runif(7000000, min=0, max=50000000)) 
endseq <- startseq+4 
chromosome <- sample(c(1,2,3,4,5), size = 7000000, replace=T) 
sequences=cbind(chromosome, startseq, endseq) 

genes <- GRanges(seqnames = chromosome, ranges = IRanges(start = start, end = end)) 
seqs <- GRanges(seqnames = chromosome, ranges = IRanges(start = startseq, end = endseq)) 

x <- findOverlaps(seqs, genes) 
head(x) 

#Hits object with 6 hits and 0 metadata columns: 
#  queryHits subjectHits 
#  <integer> <integer> 
# [1]   2  41673 
# [2]   2  47476 
# [3]   3  20048 
# [4]   4  9624 
# [5]   4  5662 
# [6]   4  1531 
# ------- 
# queryLength: 7000000 
# subjectLength: 50000