R语言根据参考区间表筛选存在区间重叠的数据框行

原代码失效原因 #

你写的筛选逻辑存在几个核心问题，所以拿不到正确结果：

• 区间重叠判断逻辑错误：两个区间[s1, e1]和[s2, e2]存在重叠的充要条件是第一个区间起点 ≤ 第二个区间终点 且 第一个区间终点 ≥ 第二个区间起点，你写的判断式既不符合重叠规则，还误用了或运算|，会把大量不相关行纳入结果
• 代码存在拼写错误：语句里的table$end是不存在的对象，和你自己的表名、列名不匹配
• 未处理特殊坐标：你的变异数据里存在pos > end的记录（比如第一行DEL的pos=2431、end=2100），直接用原始坐标比较会漏检
• 跨表直接比较存在循环对齐问题：两个表行数不一致时，R会自动把短向量循环补齐后按行错位比对，结果完全不可靠

可行实现方法 #

方法1：基础R实现（无需安装额外包，适合小数据量） #

先构造和你示例一致的测试数据：

# 变异表Table1
table1 <- data.frame(
  PatientID = c("AB1", "AC3", "AG6"),
  chr = c(1, 1, 1),
  pos = c(2431, 98041, 8743),
  type = c("DEL", "INV", "BND"),
  end = c(2100, 99100, 9000),
  length = c(-331, 1059, 257)
)

# 外显子表Table2，列名可根据你实际文件替换
table2 <- data.frame(
  exon_name = c("Exon", "Exon"),
  exon_start = c(2001, 8700),
  exon_end = c(2500, 8750)
)

运行筛选代码：

# 逐行判断变异是否和任意外显子重叠
overlap_filter <- apply(table1, 1, function(var){
  # 先修正变异的区间首尾，解决pos>end的问题
  var_s <- min(as.numeric(var[["pos"]]), as.numeric(var[["end"]]))
  var_e <- max(as.numeric(var[["pos"]]), as.numeric(var[["end"]]))
  # 重叠判断
  any(var_s <= table2$exon_end & var_e >= table2$exon_start)
})

# 拿到筛选结果
result <- table1[overlap_filter, ]

运行后输出的结果和你给出的期望示例完全一致，包含AB1、AG6两行。

方法2：GenomicRanges实现（适合大数据量，效率更高） #

如果你的数据量很大（比如上万条变异、几十万条外显子区间），推荐用Bioconductor的专业区间处理包，运算速度比apply快几十倍：

# 首次使用需先安装包
# if (!require("BiocManager", quietly = TRUE)) install.packages("BiocManager")
# BiocManager::install("GenomicRanges")
library(GenomicRanges)

# 把变异表转成GRanges区间对象，自动修正坐标顺序
gr_var <- GRanges(
  seqnames = table1$chr,
  ranges = IRanges(
    start = pmin(table1$pos, table1$end),
    end = pmax(table1$pos, table1$end)
  )
)

# 把外显子表转成GRanges区间对象
gr_exon <- GRanges(
  seqnames = rep(1, nrow(table2)), # 实际使用时替换为外显子表的染色体列
  ranges = IRanges(start = table2$exon_start, end = table2$exon_end)
)

# 提取存在重叠的变异行索引
hit_idx <- unique(queryHits(findOverlaps(gr_var, gr_exon)))
result <- table1[hit_idx, ]

内容的提问来源于stack exchange，提问作者tacrolimus