如何用Nullranges生成200条全基因组随机200kbp的Genomic Ranges

问题 #

需要生成200条长度均为200kbp的全基因组随机Genomic Ranges，使用nullranges时遇到以下问题：

• 示例中bootRanges生成的区间数量与原数据集（dhs）一致（约6000条），无法指定生成200条
• 担心用自有200特征数据集时，无法保证区间的全基因组分布且与原数据无重叠
• 基于全基因组密度分段的示例输出不符合需求

解决方案 #

核心是用sampleRanges替代bootRanges，直接指定生成数量，同时基于基因密度分段保证全基因组分布，步骤如下：

1. 核心代码（生成指定数量的全基因组随机区间） #

library(nullrangesData)
library(plyranges)
library(nullranges)
library(ExperimentHub)

# 获取排除区域（如重复序列）和基因密度分段数据
eh <- ExperimentHub()
exclude <- eh[["EH7306"]]
seg_cbs <- eh[["EH7307"]]

# 设置参数：目标区间数量、每条长度（200kbp）
n_target <- 200
range_length <- 2e5

# 生成随机区间：基于基因密度分段采样，排除不可用区域
set.seed(5)
random_ranges <- sampleRanges(
  x = seg_cbs,
  n = n_target,
  length = range_length,
  exclude = exclude,
  replace = FALSE
)

# 验证结果
length(random_ranges)  # 输出应为200
random_ranges

2. 可选：确保生成区间与原数据无重叠 #

如果需要生成的区间完全不与原dhs数据集重叠，可添加以下步骤：

# 加载并过滤原dhs数据
dhs <- DHSA549Hg38() %>% 
  plyranges::filter(signalValue > 100)

# 移除与dhs重叠的随机区间
random_ranges <- random_ranges %>%
  plyranges::filter_by_non_overlaps(dhs)

# 若过滤后数量不足，补充采样（循环直到满足目标数量）
while(length(random_ranges) < n_target) {
  need <- n_target - length(random_ranges)
  add_ranges <- sampleRanges(
    x = seg_cbs,
    n = need,
    length = range_length,
    exclude = c(exclude, dhs),
    replace = FALSE
  )
  random_ranges <- c(random_ranges, add_ranges)
}

关键说明 #

• sampleRanges vs bootRanges：前者可直接指定生成区间数量，后者是对原数据集的bootstrap重抽样，数量与原数据一致
• 基于seg_cbs采样：保证生成的区间在全基因组的分布与基因密度匹配，符合全基因组随机分布要求
• exclude参数：避免区间落在重复序列等不可用区域
• 去重叠逻辑：通过filter_by_non_overlaps和循环补充，确保最终输出数量达标且无重叠

内容的提问来源于stack exchange，提问作者erman