筛选含有重要snps的基因

Question

我有两个数据: GWAS输出的SNP列表和基因开始/结束坐标列表。我想要过滤(使用dplyr包)，只提取那些Position位于起始/结束边界内的基因。

我认为%in%可能是正确的方法，但我正在挣扎于这样一个事实，即基因坐标是一系列值。因此，我不能只查找SNP位置与基因位置匹配的行。

我见过使用BiomaRt包和其他解决方案的解决方案，但我正在寻找dplyr解决方案。提前谢谢。

基因数据：

Gene   Start   End
gene1  1       5
gene2  10      15
gene3  20      25
gene4  30      35

SNP数据文件：

Position    SNP_ID
6           ss1
8           ss2
9           ss3
11          ss4
16          ss5
19          ss6
27          ss7
34          ss8

期望产出：

Gene   Start   End
gene2  10      15
gene4  30      35

Answer 1

这项任务是鉴定至少有一个SNP的基因。我们可以通过使用Start和End来遍历map2和End的位置，并询问它们之间是否有SNP的位置：

library( tidyverse )

dfg %>% mutate( AnyHits = map2_lgl(Start, End, ~any(dfs$Position %in% seq(.x,.y))) )
# # A tibble: 4 x 4
#   Gene  Start   End AnyHits
#   <chr> <dbl> <dbl> <lgl>  
# 1 gene1     1     5 FALSE  
# 2 gene2    10    15 TRUE   
# 3 gene3    20    25 FALSE  
# 4 gene4    30    35 TRUE   

从这里开始，它只是一个简单的%>% filter(AnyHits)，可以将数据帧减少到至少有一个SNP命中的行。

数据：

# Genes
dfg <- tibble( Gene = str_c("gene",1:4),
               Start = c(1,10,20,30),
               End = c(5,15,25,35) )

# SNPs
dfs <- tibble( Position = c(6,8,9,11,16,19,27,34),
               SNP_ID = str_c("ss",1:8) )