给定组长度和组间长度分界点的组不相交、不重叠、定向、有序线性间隔

我有一个data.frame，它有一组不相交的、不重叠的、有序的、有方向的线性间隔，由它们的间隔序列名称(下面的seqname)定义，以及它们的start和end坐标：

df <- data.frame(seqname = c("s1","s1","s1","s1","s1","s1","s2","s3"),
                 start = c(50,150,250,350,650,750,300,600),
                 end = c(100,200,300,400,700,800,400,700))

事实上，这些都是DNA中假定的基因部分(seqname是染色体)，我正在试图确定它们是同一基因的一部分，还是独立基因的一部分。截止值是经验性的，基于实际的基因长度和该基因组中的基因长度之间(特定于特定类型的基因)。

我想使用两个长度截止点对间隔进行分组(分别针对每个seqname)：一个定义最大组长度(即，组中最后一个间隔的结束坐标减去组中第一个间隔的开始坐标)，另一个定义连续组之间的最小长度(组间长度)。这意味着一组间隔不能长于最大组长度截止，并且两个连续组不能被小于最小组间长度截止的两个组分开。

显然，这两个约束可以是冲突的-将一个区间添加到现有组，其起始坐标和现有组的结束坐标之间的差小于最小组间长度截止点，但添加它将导致长度大于最大组截止点的组。因此，在这种情况下，可能会违反最大组截止约束。

对于此示例，最大组长度截止值为300，最小组间长度截止值为100，因此结果为：

library(dplyr)
df %>% dplyr::mutate(id = c("s1.1","s1.1","s1.1","s1.1","s1.2","s1.2","s2.1","s3.1"))

其中id是分组ID。

请注意，s1上的第四个间隔使用s1.1进行分组，因为尽管将其添加到s1.1最终会导致s1.1的长度为350 >最大组长度截止，但它位于s1.1末端的下游50 (没有添加它)，这仍然满足最小组间约束。

你知道如何在R中实现这一点吗，也许是使用intervals package或类似的工具？

转载请注明出处:http://www.nali5.com/article/20230508/1017139.html