加快分析速度

Question

我在 R 中有 2 个数据帧，例如 df 和 dfrefseq。

df<-data.frame( chr =  c("chr1","chr1","chr1","chr4")
    , start = c(843294,4329248,4329423,4932234)
    , stop = c(845294,4329248,4529423,4935234)
    , genenames= c("HTA","OdX","FEA","MGA")
)
dfrefseq<-data.frame( chr =  c("chr1","chr1","chr1","chr2")
    , start = c(843294,4329248,4329423,4932234)
    , stop = c(845294,4329248,4529423,4935234)
    , genenames= c("tra","FGE","FFs","FAA")
)

我想检查 df 中的每个基因，dfrefseq 中的女巫基因最接近所选的 df 基因。 我首先在两个数据框中选择“chr1”。 然后我计算了 readschr1 中第一个基因的 start-start start-stop stop-start 和 stop-stop 位点之间的距离。 这些计算的总和说明了有关距离的一切。我的问题是，如何加快分析速度？因为现在我只针对数据框测试了 1 个基因，但我需要测试 2000 个基因。

readschr1 <- subset(df,df[,1]=="chr1") 
refseqchr1 <- subset(dfrefseq,dfrefseq[,1]=="chr1") 

names<-list()
read_start_start<-list()
read_start_stop<-list() 
read_stop_start<-list()
read_stop_stop<-list()

for (i in 1:nrow(refseqchr1)) {
startstart<-abs(readschr1[1,2] - refseqchr1[i,2])
startstop<-abs(readschr1[1,2] - refseqchr1[i,3])
stopstart<-abs(readschr1[1,3] - refseqchr1[i,2])
stopstop<-abs(readschr1[1,3] - refseqchr1[i,3])
read_start_start[[i]]<- matrix(startstart)
read_start_stop[[i]]<- matrix(startstop)
read_stop_start[[i]]<- matrix(stopstart)
read_stop_stop[[i]]<- matrix(stopstop)
names[[i]]<-matrix(refseqchr1[i,4])
}
table<-cbind(names, read_start_start, read_start_stop, read_stop_start, read_stop_stop)


sumtotalcolumns<-as.numeric(table[,2]) + as.numeric(table[,3])+ as.numeric(table[,4]) + as.numeric(table[,5])
test<-cbind(table, sumtotalcolumns)
test1<-test[order(as.vector(test$sumtotalcolumns)), ]

谢谢你！

Answer 1

Bioconductor 包 GenomicRanges 旨在处理此类数据

source('http://bioconductor.org/biocLite.R')
biocLite('GenomicRanges')                      # one-time installation

然后

library(GenomicRanges)
gr <- with(df,
           GRanges(factor(chr, levels=paste("chr", 1:4, sep="")),
                   IRanges(start, stop), genenames=genenames))
grrefseq <- with(dfrefseq,
                 GRanges(factor(chr, levels=paste("chr", 1:4, sep="")),
                         IRanges(start, stop), genenames=genenames))

，

> nearest(gr, grrefseq)
[1]  1  2  3 NA

Answer 2

您可以将两个单独的 data.frame 合并在一起形成一个表，然后使用矢量化运算。 merge 的关键是指定 data.frame 之间的公共列，并告诉它在出现不匹配的情况时该怎么做。如果其他 data.frame（即本例中的 ch2 和 ch4）中没有匹配项，则指定 all = TRUE 将返回所有行并填充 NA。一旦 data.frames 被合并，那么这是一个简单的练习，将不同的列相互减去，然后将感兴趣的四列相加。我使用 transform 来减少减法所需的输入。

zz <- merge(df, dfrefseq, by = "chr", all = TRUE)

zz <- transform(zz, 
    read_start_start = abs(start.x - start.y)
  , read_start_stop = abs(start.x - stop.y)
  , read_stop_start = abs(stop.x - start.y)
  , read_stop_stop = abs(stop.x - stop.y)
)

zz <- transform(zz,
  sum_total_columns = read_start_start + read_start_stop + read_stop_start + read_stop_stop
  )

这是获取距离最小的行的一种方法。我假设你想通过 chr 和基因名来做到这一点。我使用 plyr 包，但我确信如果您更喜欢其中之一的话，有基本的解决方案。也许其他人会提出一个基本的解决方案。

require(plyr)
ddply(zz, c("chr", "genenames.x"), function(x) x[which.min(x$sum_total_columns) ,])