[英]How to intersect and merge files with python/pandas to divide overlap into subregions based on original input file?
我有一些来自不同公司的提供外显子组测序试剂盒的.bed 文件。
我想要一个总结所有这些套件的所有目标区域的文件。 .bed 文件具有由三列(chr#、Start、End)组成的基本结构。
我想获得一张 output 表,该表显示哪些基因组区域仅由这些套件之一覆盖,哪些区域被多个(以及哪些)覆盖。 说明这一点的最好方法是通过一个例子:
床文件 1
字符# | 开始 | 结尾 |
---|---|---|
1 | 100 | 300 |
床文件 2
字符# | 开始 | 结尾 |
---|---|---|
1 | 150 | 350 |
床文件 3
字符# | 开始 | 结尾 |
---|---|---|
1 | 80 | 200 |
从这些文件中,我创建了一个包含所有目标区域的 dataframe,并按chr#和Start坐标对其进行排序。 这是生成的 dataframe 的样子:
我想合并和交叉 output 的文件,该文件根据输入文件之间的重叠将区域划分为子区域。 它应该看起来像这样:
字符# | 开始 | 结尾 | 套件 1 | 套件 2 | 套件 3 |
---|---|---|---|---|---|
1 | 80 | 100 | 0 | 0 | 1 |
1 | 100 | 150 | 1 | 0 | 1 |
1 | 150 | 200 | 1 | 1 | 1 |
1 | 200 | 300 | 1 | 1 | 0 |
1 | 300 | 350 | 0 | 1 | 0 |
我知道 Bioconductor 的 Granges 上可能有这样的 function,但我不熟悉该库及其功能。
任何帮助,将不胜感激。
更新
从bedtools使用multiIntersectBed
$ multiIntersectBed -i *.bed
1 80 100 1 3 0 0 1
1 100 150 2 1,3 1 0 1
1 150 200 3 1,2,3 1 1 1
1 200 300 2 1,2 1 1 0
1 300 350 1 2 0 1 0
还有一个 Python 接口:
http://daler.github.io/pybedtools/
>>> import pybedtools as bt
>>> from glob import glob
>>> print(bt.BedTool().multi_intersect(i=glob('*.bed')))
1 80 100 1 3 0 0 1
1 100 150 2 1,3 1 0 1
1 150 200 3 1,2,3 1 1 1
1 200 300 2 1,2 1 1 0
1 300 350 1 2 0 1 0
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.