R：每个间隔的唯一元素计数

Question

让我列出一个不重叠的基因组区间。

chr1    1   100
chr1    101 200
chr1    201 300
chr1    301 400

和链接到不同样品的基因组位置的列表为：

chr1    50  sampleA
chr1    60  sampleB
chr1    110 sampleA
chr1    130 sampleB
chr1    160 sampleA
chr1    190 sampleC
chr1    350 sampleB
chr1    360 sampleB

我的目标是计算每个时间间隔内唯一样本的数量。在我的真实数据集中，间隔表为〜400.000行，基因组位置样本表为〜30.000行。

此计算已嵌入模拟中，因此应尽可能快。我已经尝试过用GenomicRanges作为：

require(GenomicRanges)
interval.gr <- GRanges(intervals$chr,IRanges(intervals$start,intervals$end))
positions.gr <- GRanges(positions$chr,IRanges(positions$pos,positions$pos))
ov <- findOverlaps(interval.gr,positions.gr)
intervals %>%
  slice(queryHits(ov)) %>%
  mutate(sample=positions$sample[subjectHits(ov)]) %>% 
  group_by(chr,start,end) %>% 
  summarise(n_sample=length(unique(sample)))

结果]

# A tibble: 3 x 4
# Groups:   chr, start [3]
  chr   start   end n_sample
  <fct> <dbl> <dbl>    <int>
1 chr1      1   100        2
2 chr1    101   200        3
3 chr1    301   400        1
但是它仍然会丢失没有采样的间隔（201-300），而且速度也不是很快。使用我的数据集：

Unit: milliseconds
 expr      min      lq     mean   median       uq      max neval
    x 159.3901 161.621 190.1703 164.4879 168.3116 297.8395    10
我想知道是否有更好，更快的方法来进行这种分析？

感谢

---

可复制的数据集：

intervals <- data.frame(chr=c("chr1","chr1","chr1","chr1"),start=c(1,101,201,301),end=c(100,200,300,400))

positions <- data.frame(chr=rep("chr1",8),pos=c(50,60,110,130,160,190,350,360),sample=c("sampleA","sampleB","sampleA","sampleB","sampleA","sampleC","sampleB","sampleB"))

让我列出一个不重叠的基因组区间。 chr1 1100 chr1 101 200 chr1 201 300 chr1 301 400和链接到不同样本的基因组位置列表，如：chr1 50 ...

Answer 1

一种可能是：

Answer 2

对于大样本，我将尝试在data.table中使用非等价联接。样本中的基准测试结果比tmfmnk的答案差，但对于更大的数据集，它可能具有较小的内存占用空间，并且速度更快。