如何按染色体分组统计两组基因组区间的重叠次数？

方法1：利用plyranges原生的染色体匹配能力 #

你之前的用法其实没必要手动拆分染色体，plyranges的GRanges对象会自动把chrom识别为序列名称（seqnames），count_overlaps这类函数默认只会统计同染色体内的区间重叠，不用提前筛选：

library(plyranges)
library(tidyverse)

# 转换为GRanges（自动保留chrom作为染色体标识）
gr1 <- dat1 %>% as_granges()
gr2 <- dat2 %>% as_granges()

# 直接计算同染色体的重叠计数
result <- gr1 %>%
  mutate(
    n_olap = count_overlaps(., gr2),  # 统计同染色体下与dat2区间重叠的数量
    n_olap_within = count_overlaps_within(., gr2)  # 统计同染色体下被dat2区间完全包含的数量
  ) %>%
  as_tibble()  # 转回tibble格式方便查看

head(result)

这样处理后，每个dat1的区间只会和同chrom的dat2区间做重叠计算，完全不需要手动拆分数据集，效率也比手动筛选高得多，尤其适合大型数据集。

方法2：纯dplyr实现分组区间统计 #

如果偏好dplyr的操作逻辑，可以通过分组+映射的方式，限定只在同chrom组内计算重叠：

library(tidyverse)

# 先把dat2按chrom拆分并命名，方便快速调用对应染色体的区间
dat2_groups <- dat2 %>% 
  group_split(chrom) %>% 
  set_names(unique(dat2$chrom))

# 对dat1按chrom分组，逐个计算同组内的重叠情况
result_dplyr <- dat1 %>%
  group_by(chrom) %>%
  mutate(
    # 统计重叠的dat2区间数：dat2区间与当前dat1区间有交集
    n_olap = map2_int(start, end, ~{
      current_dat2 <- dat2_groups[[cur_group()$chrom]]
      sum(current_dat2$start <= .y & current_dat2$end >= .x)
    }),
    # 统计被完全包含的dat2区间数：dat2区间完全覆盖当前dat1区间
    n_olap_within = map2_int(start, end, ~{
      current_dat2 <- dat2_groups[[cur_group()$chrom]]
      sum(current_dat2$start <= .x & current_dat2$end >= .y)
    })
  ) %>%
  ungroup()

head(result_dplyr)

两种方法对比 #

• 优先选方法1：plyranges是专门为基因组区间开发的工具，底层优化过，处理大型数据集的速度远快于纯dplyr方法。
• 方法2适合不想额外依赖plyranges的场景，但数据量很大时性能会明显下降。

内容的提问来源于stack exchange，提问作者LDT