基于Skov方法检测海豚幽灵血统：私有等位基因定位与统计需求

嘿，这是调整后的R代码，既保留了你原本的区间统计功能，又新增了输出每个区间内私有等位基因具体位置的功能：

首先，我们先确保私有等位基因的数据保留关键列，再为每个位置分配区间，最后按区间汇总数量和位置：

# 1. 识别ind0的私有等位基因位置（排除N的情况）
res1 <- df1[
  rowSums(df1$ind0 == df1[, -c(1:3)]) == 0 & 
  apply(df1[, -c(1:3)], 1, function(i) length(unique(i[i != "N"]))) == 1, 
  c("scaffold", "pos", "ind0")  # 保留需要的列，方便后续关联区间和位置
]

# 2. 为每个私有等位基因分配1000bp区间
# 这里可以根据你的参考基因组最大位置动态调整上限，更灵活
max_pos <- ceiling(max(df1$pos)/1000)*1000
res1$interval <- cut(
  res1$pos, 
  breaks = seq(0, max_pos, by = 1000),
  include.lowest = TRUE,  # 确保0位置被正确包含在第一个区间
  dig.lab = 10  # 避免区间标签被科学计数法显示，可读性更强
)

# 3. 按区间汇总（推荐用dplyr，代码更简洁直观）
# 如果没安装dplyr先运行：install.packages("dplyr")
library(dplyr)
interval_summary <- res1 %>%
  group_by(scaffold, interval) %>%  # 多scaffold时必须按scaffold+区间分组，避免跨scaffold混淆
  summarise(
    private_allele_count = n(),
    private_allele_positions = paste(pos, collapse = ", ")
  ) %>%
  ungroup()

# 4. 查看结果或导出到文件
print(interval_summary)
write.csv(interval_summary, "private_allele_interval_summary.csv", row.names = FALSE)

如果不想用dplyr，也可以用base R实现相同功能：

# base R版本的汇总逻辑
interval_summary_base <- aggregate(
  pos ~ scaffold + interval, 
  data = res1,
  FUN = function(x) list(
    count = length(x),
    positions = paste(x, collapse = ", ")
  )
)
# 展开list类型的列，转换成标准数据框
interval_summary_base <- do.call(data.frame, interval_summary_base)
names(interval_summary_base) <- c("scaffold", "interval", "private_allele_count", "private_allele_positions")

几个注意点： #

• 如果你的数据集包含多个scaffold，一定要按scaffold+区间分组，不然不同scaffold的同数值区间会被错误合并；
• 动态计算max_pos可以避免手动设置上限的麻烦，确保覆盖所有位点；
• 原代码的私有等位基因判断逻辑是对的：确保ind0的等位基因和其他所有个体都不同，且其他个体的有效等位基因（非N）完全一致，符合你的检测需求。

内容的提问来源于stack exchange，提问作者mariels17