R 基因组覆盖率作为滑动窗口

我使用

bwa mem

算法将我的读取映射到我的程序集，并使用

samtools depth

提取每基（=coverage）的读取数。生成的文件如下所示：

1091900001  1   236
1091900001  2   245
1091900001  3   265
1091900001  4   283
1091900001  5   288
1091900002  1   297
1091900002  2   312
1091900002  3   327
1091900002  4   338
1091900002  5   348

共有三列：contig的名称（因为它是一个多contig文件，所以该ID会更改）-位置（基本）-映射的读取数（覆盖率）

现在我想计算滑动窗口中的覆盖率（第三列）；窗口大小为3，幻灯片大小为2，作为每个挫伤的平均值（第一列）

我想使用

zoo

包的

rollapply

功能

require(zoo)
cov <- read.table("file",header=FALSE, sep="\t", na.strings="NA", dec=".", strip.white=TRUE)
library(reshape) #loads the library to rename the column names
cov<-rename(cov,c(V1="Chr", V2="locus", V3="depth")) #renames the header
rollapply(cov$depth, width = 3, by = 2, FUN = mean, align = "left")

---

在

R

中是否有一种简单的方法可以做到这一点？

以下是如何使用

dplyr

函数

groupby

和

do

实现这一点：

library(dplyr)

cov %>% 
  group_by(Chr) %>% 
  do(
    data.frame(
      window.start = rollapply(.$locus, width=3, by=2, FUN=min, align="left"),
      window.end = rollapply(.$locus, width=3, by=2, FUN=max, align="left"),
      coverage = rollapply(.$depth, width=3, by=2, FUN=mean, align="left")
      )
    )

# # A tibble: 4 x 4
# # Groups:   Chr [2]
#          Chr window.start window.end coverage
#        <int>        <int>      <int>    <dbl>
# 1 1091900001            1          3 248.6667
# 2 1091900001            3          5 278.6667
# 3 1091900002            1          3 312.0000
# 4 1091900002            3          5 337.6667

根据您提供的样本行，以下是

dplyr

和

数据的基准测试结果。表

方法（以毫秒为单位）：

---

因此在样本数据上，

data.table

选项平均快4倍。

什么是

%>%

意思？我以前从未见过它，它被称为管道操作符——参见简介。当链接函数时，它通过允许您编写

df%>%func1%>%func2

而不是

func2（func1（df））

来提高可读性。工作非常完美，但由于我的文件包含约430万行，消息

| | 0%~11小时后弹出up@rororo请看我编辑过的答案——我添加了一种可以提高速度的替代方法。是的，这确实大大加快了速度。我刚刚意识到，如果
Chr
小于窗口大小，则该函数不起作用。此外，它不会计算“最后一个”窗口，因此如果它小于窗口，则会计算剩余的一小部分。即，如果
Chr
长度为5235且窗口大小应为5000，则不采用235的最后一个“窗口”
library(dplyr)

cov %>% 
  group_by(Chr) %>% 
  do(
    data.frame(
      window.start = rollapply(.$locus, width=3, by=2, FUN=min, align="left"),
      window.end = rollapply(.$locus, width=3, by=2, FUN=max, align="left"),
      coverage = rollapply(.$depth, width=3, by=2, FUN=mean, align="left")
      )
    )

# # A tibble: 4 x 4
# # Groups:   Chr [2]
#          Chr window.start window.end coverage
#        <int>        <int>      <int>    <dbl>
# 1 1091900001            1          3 248.6667
# 2 1091900001            3          5 278.6667
# 3 1091900002            1          3 312.0000
# 4 1091900002            3          5 337.6667

library(data.table)    

setDT(cov)
cov[, .(
      window.start = rollapply(locus, width=3, by=2, FUN=min, align="left"),
      window.end = rollapply(locus, width=3, by=2, FUN=max, align="left"),
      coverage = rollapply(depth, width=3, by=2, FUN=mean, align="left")
      ),
    .(Chr)]

# dplyr:
      min       lq     mean   median       uq      max neval
 7.811753 8.685976 10.10268 9.243551 10.42691 144.5274  1000

# data.table:
      min       lq     mean  median       uq      max neval
 1.924472 2.105459 2.510832 2.30479 2.685706 8.848451  1000