如何在R中按列值范围筛选行？

我有两个基因数据集。一个定义了每行基因组的范围，另一个数据集是基因长度范围的行，我想确保它与第一个数据集中的范围没有任何重叠

例如，我的数据如下所示：

#df1:
Chromosome     Min      Max
1              10       500 
1              450      550
2              20       100
2              900      1500
2              200      210
3               5       15
4              10       20

我想拉出/选择df2中没有Gene.Start和Gene.End范围的行，其中该范围内的任何内容都在df1中最小和最大列中给出的范围内-重要的是，考虑到染色体数也必须匹配

示例的预期输出如下所示：

Gene   Gene.Start    Gene.End   Chromosome
Gene2   950            990          1

Gene2是唯一一个起始和结束范围不在任何范围内的基因/行，匹配的染色体在df1的染色体1上寻找范围

为了编写此代码，我尝试使用data.table，但我不确定如何将范围视为我想要的范围

我一直在努力让它工作，但我不确定我在做什么：

df2[df1, match := i.Gene,
                 on = .(Chromosome, (df2$Gene.Start > & < df2$Gene.End) > Min, (df2$Gene.Start > & < df2$Gene.End) < Max)]

Error: unexpected '&'

如何根据另一个数据帧中的范围按其范围过滤数据帧

输入数据示例：

df1 <- structure(list(Chromosome = c(1L, 1L, 2L, 2L, 2L, 3L, 4L), Min = c(10L, 
450L, 20L, 900L, 200L, 5L, 10L), Max = c(500L, 550L, 100L, 1500L, 
210L, 15L, 20L)), row.names = c(NA, -7L), class = c("data.table", 
"data.frame"))

这是一种data.table方法

下面是我对dplyr方法的尝试。请让我知道

library(dplyr)
library(tidyr)
df2 %>% 
  right_join(df1, by = "Chromosome") %>% 
  filter(Gene.Start<Min | Gene.Start>Max, Gene.End>Max | Gene.End>Min) %>% 
  distinct(Gene, Gene.Start, Gene.End, Chromosome, .keep_all = TRUE) %>% 
  select(Gene, Gene.Start, Gene.End, Chromosome)

data.table解决方案效果最好，因为它在我的大得多的真实数据上速度最快，但我最终还是找到了另一个具有基因组范围的解决方案，所以我想我也会分享给其他人，以供将来参考：

library(GenomicRanges)

gr1 <- makeGRangesFromDataFrame(
  data.frame(
    chr=df1$Chromosome,
    start=df1$Min,
    end=df1$Max),
  keep.extra.columns=TRUE)

gr2 <- makeGRangesFromDataFrame(
  data.frame(
    chr=df2$Chromosome,
    start=df2$Gene.Start,
    end=df2$Gene.End,
    Gene = df2$Gene),
  keep.extra.columns=TRUE)

no_overlaps <- gr2[-queryHits(findOverlaps(gr2, gr1, type="any")),] 

no_overlap_genes <- unique(no_overlaps$Gene)

gene_matches <- df2[Gene %in% no_overlap_genes]

---

不是R，但bedtools就是为此而设计的。在R中，您可以尝试基因组范围，或者在data.table中，特别是在foverlaps函数中。

library(data.table)
# keep Gene that are not joined in the non-equi join on df1 below
df2[!Gene %in% df2[df1, on = .(Chromosome, Gene.Start >= Min, Gene.End <= Max)]$Gene, ]
#     Gene Gene.Start Gene.End Chromosome
# 1: Gene2        950      990          1

library(dplyr)
library(tidyr)
df2 %>% 
  right_join(df1, by = "Chromosome") %>% 
  filter(Gene.Start<Min | Gene.Start>Max, Gene.End>Max | Gene.End>Min) %>% 
  distinct(Gene, Gene.Start, Gene.End, Chromosome, .keep_all = TRUE) %>% 
  select(Gene, Gene.Start, Gene.End, Chromosome)

   Gene Gene.Start Gene.End Chromosome
1 Gene2        950      990          1

library(GenomicRanges)

gr1 <- makeGRangesFromDataFrame(
  data.frame(
    chr=df1$Chromosome,
    start=df1$Min,
    end=df1$Max),
  keep.extra.columns=TRUE)

gr2 <- makeGRangesFromDataFrame(
  data.frame(
    chr=df2$Chromosome,
    start=df2$Gene.Start,
    end=df2$Gene.End,
    Gene = df2$Gene),
  keep.extra.columns=TRUE)

no_overlaps <- gr2[-queryHits(findOverlaps(gr2, gr1, type="any")),] 

no_overlap_genes <- unique(no_overlaps$Gene)

gene_matches <- df2[Gene %in% no_overlap_genes]