在R语言中通过区间匹配实现查找表关联

现有数据表（表1）：

CHR POS 
10  4342 
20  100
22  5422

另有基因查找表（表2）：

CHR start end Gene
10  4000  5999 ABC1
20  50    200  JHT
22  5000  6000 KLO

期望输出：

CHR POS 
10  4342  ABC1
20  100   JHT
22  5422  KLO

实际场景中，表1有70万条记录，查找表包含约6万个基因。需求为按染色体匹配，并将POS落在start-end区间内的基因名添加到表1中。

尝试使用dplyr包的如下代码，运行时出现「向量过大无法存储」的问题：

library(dplyr)

# 创建示例数据
df1 <- data.frame(chromosome = c("chr1", "chr1", "chr2", "chr3"), position = c(100, 200, 300, 400))
df2 <- data.frame(chromosome = c("chr1", "chr2", "chr3"), start = c(50, 250, 350), end = c(150, 350, 450), gene = c("geneA", "geneB", "geneC"))

# 执行左连接
joined_df <- left_join(df1, df2, by = "chromosome")

# 生成标记列，判断位置是否在基因区间内
result_df <- joined_df %>%
              mutate(in_gene = if_else(position >= start & position <= end, gene, NA_character_))

# 查看结果
result_df

问题根源在于先按染色体做全量左连接，再筛选区间——这种方式会生成巨量冗余中间数据（比如70万条记录对应染色体的基因数相乘，总数据量可能破亿），超出内存承载上限。以下是两种高效的替代方案：

方案1：使用fuzzyjoin包做区间匹配 #

fuzzyjoin专为非等连接场景设计，直接按「染色体匹配+位置在区间内」的条件关联，不会生成冗余中间表：

library(fuzzyjoin)
library(dplyr)

# 确保两个表的染色体列命名一致（示例统一为CHR）
df1 <- data.frame(CHR = c(10,20,22), POS = c(4342,100,5422))
df2 <- data.frame(CHR = c(10,20,22), start = c(4000,50,5000), end = c(5999,200,6000), Gene = c("ABC1","JHT","KLO"))

# 执行区间左连接
result_df <- interval_left_join(
  df1, df2,
  by = c("CHR" = "CHR", "POS" = "start", "POS" = "end"),
  interval_col = c("start", "end")
) %>%
  # 保留目标列，移除冗余的start/end列
  select(CHR, POS, Gene)

print(result_df)

方案2：使用data.table做非等连接 #

data.table在大数据量处理上内存效率极高，非等连接语法简洁直接：

library(data.table)

# 将数据框转换为data.table格式
setDT(df1)
setDT(df2)

# 非等连接：按CHR匹配，同时POS介于start和end之间
result_df <- df2[df1, on = .(CHR, start <= POS, end >= POS), .(CHR, POS = start, Gene)]

print(result_df)

内容的提问来源于stack exchange，提问作者tacrolimus