R，如果一个表中的数字属于另一个表中的范围

Question

我有2张桌子。 第一个看起来像：

V1 V2
128 1.0000  
139 0.9375
141 1.0000

第二个看起来像：

V1 V2 V3
gene    90  100
mRNA    120 129
CDS 130 139
CDS 140 150

第二张表中的V2和V3是范围的边界（例如90：100、120：129等），因此我需要比较第一张表的V1中的数字（如果它属于任何范围）。 如果是这样，我需要将这些行绑定在一起。 所以看起来像

V1.1 V2.1 V1.2 V2.2 V3.2
128 1.0000 mRNA 120 129
139 0.9375 CDS 130 139
141 1.0000 CDS 140 150

或

问题在于这些表确实很大（每个表约5G）。

先感谢您。

Answer 1

考虑到你的数据集的大小，我建议foverlaps在data.table包：

library(data.table)
##
setDT(d1)
setDT(d2)
##
setnames(d2,c("V1.y","V2.y","V3.y"))
setkeyv(d2,c("V2.y","V3.y"))
##
setnames(d1,c("V1.x","V2.x"))
d1[,V11:=V1.x]
##
Merged <- foverlaps(
  x=d1,y=d2,
  by.x=c("V1.x","V11"),
  type="within")
Merged[,V11:=NULL]
##
R> Merged
   V1.y V2.y V3.y V1.x   V2.x
1: mRNA  120  129  128 1.0000
2:  CDS  130  139  139 0.9375
3:  CDS  140  150  141 1.0000

为了清楚起见，我在其中附加了.x和.y 。 foverlaps主要用于连接两个范围，在每个使用的表中一个，因此它要求by.x在x对象中指定两个（不同）列。 我知道在这种情况下解决此问题的唯一方法是，我们希望x一列在y的两列范围内，这是创建一个临时重复列。 这是d1[,V11:=V1.x] ； 之后将其删除。

数据：

d1 <- read.table(
  text="V1 V2
128 1.0000  
139 0.9375
141 1.0000",
  header=TRUE)
d2 <- read.table(
  text="V1 V2 V3
gene    90  100
mRNA    120 129
  CDS 130 139
  CDS 140 150",
  header=TRUE)

Answer 2

就个人而言，我不会在R中执行此操作，尽管可能使用GRanges等生物导体程序包之一来实现。 相反，我会将文件转换为BED格式 ，对其进行排序（使用sort -k1,1 -k2,2n）并使用bedtools相交 ，例如

intersectBed -a tbl1.bed -b tbl2.bed -wa -wb -sorted > merged.bed