Найдите, какие диапазоны столбцов перекрываются после группировки в R

Сценарий 1: Поэлементное обнаружение перекрытия

library(dplyr)

df1 %>%
  group_by(chr) %>%
  mutate(OVERLAP = any(start1 <= end2 & end1 >= start2)) %>%
  ungroup()

# # A tibble: 4 × 7
#     chr start1  end1 species start2  end2 OVERLAP
#   <dbl>  <dbl> <dbl> <chr>    <dbl> <dbl> <lgl>  
# 1     1    100   150 Penguin    200   250 TRUE   
# 2     1    200   400 Penguin    200   240 TRUE   
# 3     2    100   150 Penguin    500  1000 FALSE  
# 4     2    200   400 Penguin   1000  2000 FALSE

Сценарий 2: Поэлементное обнаружение совпадения с сортировкой

Если интервалы направлены, т.е. end может быть меньше start, то перед определением перекрытий нужно сделать сортировку.

df1 %>%
  group_by(chr) %>%
  mutate(OVERLAP = any(pmin(start1, end1) <= pmax(start2, end2) &
                       pmax(start1, end1) >= pmin(start2, end2)))

Сценарий 3: перекрестное обнаружение совпадения с сортировкой

Кроме того, если вы хотите проверить, не перекрывает ли интервал (start1, end1) какой-либо из интервалов (start2, end2), в которых работает ivs::iv_overlaps(), вы можете реализовать это с помощью purrr::map2.

df1 %>%
  group_by(chr) %>%
  mutate(OVERLAP = any(
    purrr::map2_lgl(start1, end1,
                    ~ any(min(.x, .y) <= pmax(start2, end2) &
                          max(.x, .y) >= pmin(start2, end2)))
  ))

Если вы хотите проверить, происходит ли перекрытие в любом направлении, вам нужно:

df1 %>%
  group_by(chr) %>%
  mutate(overlap = (max(end1) > min(start2) & min(start2) > min(start1))|
                   (max(end2) > min(start1) & min(start1) > min(start2))) 
#> # A tibble: 4 x 7
#> # Groups:   chr [2]
#>     chr start1  end1 species start2  end2 overlap
#>   <dbl>  <dbl> <dbl> <chr>    <dbl> <dbl> <lgl>  
#> 1     1    100   150 Penguin    200   250 TRUE   
#> 2     1    200   400 Penguin    200   240 TRUE   
#> 3     2    100   150 Penguin    500  1000 FALSE  
#> 4     2    200   400 Penguin   1000  2000 FALSE

^{Created on 2023-01-05 with reprex v2.0.2}

Есть несколько интерпретаций ваших вопросов, поэтому вот три возможных случая:

1. Внутри группы определите для каждого [start1, end1], пересекаются ли они с любым из [start2, end2].
2. В группе определите, пересекаются ли какие-либо из [start1, end1] с любым из [start2, end2].
3. В группе определите, пересекаются ли каждый из [start1, end1] с соответствующим [start2, end2] (тот, что находится в той же строке).

В трех случаях вы можете использовать ivs::iv_overlaps.

Дело 1

iv_overlaps обнаружит в каждой группе, пересекаются ли интервалы, определенные в [start1, end1], каким-либо образом с любым из интервалов [start2, end2]. Он вернет логический вектор длины [start1, end1].

library(ivs)
library(dplyr)
df1 %>% 
  group_by(chr) %>% 
  mutate(overlap = iv_overlaps(iv(start1, end1), iv(start2, end2)))

# A tibble: 4 × 7
# Groups:   chr [2]
    chr start1  end1 species start2  end2 overlap
  <dbl>  <dbl> <dbl> <chr>    <dbl> <dbl> <lgl>  
1     1    100   150 Penguin    200   250 FALSE  
2     1    200   400 Penguin    160   170 TRUE   
3     2    100   150 Penguin    500  1000 FALSE  
4     2    200   400 Penguin   1000  2000 FALSE  

Случай 2

Если вы хотите знать, перекрывается ли какой-либо (не каждый) интервал 1 с любым из интервалов 2 (то есть одно уникальное значение на группу), вы должны добавить any:

df1 %>% 
  group_by(chr) %>% 
  mutate(overlap = any(iv_overlaps(iv(start1, end1), iv(start2, end2))))

# A tibble: 4 × 7
# Groups:   chr [2]
    chr start1  end1 species start2  end2 overlap
  <dbl>  <dbl> <dbl> <chr>    <dbl> <dbl> <lgl>  
1     1    100   150 Penguin    200   250 TRUE   
2     1    200   400 Penguin    160   170 TRUE   
3     2    100   150 Penguin    500  1000 FALSE  
4     2    200   400 Penguin   1000  2000 FALSE  

Случай 3

Если вы хотите обнаружить перекрытие по строкам, вам следует использовать map2 с iv_overlaps:

df1 %>% 
  group_by(chr) %>% 
  mutate(overlap = map2_lgl(iv(start1, end1), iv(start2, end2), iv_overlaps))

# A tibble: 4 × 7
# Groups:   chr [2]
    chr start1  end1 species start2  end2 overlap
  <dbl>  <dbl> <dbl> <chr>    <dbl> <dbl> <lgl>  
1     1    100   150 Penguin    200   250 FALSE  
2     1    200   400 Penguin    160   170 FALSE  
3     2    100   150 Penguin    500  1000 FALSE  
4     2    200   400 Penguin   1000  2000 FALSE  

Порядок сравнения

Действительно, если кто-то хочет сравнить вторые интервалы с первыми, следует использовать iv_overlaps(interval2, interval1):

# A tibble: 4 × 7
# Groups:   chr [2]
    chr start1  end1 species start2  end2 overlap
  <dbl>  <dbl> <dbl> <chr>    <dbl> <dbl> <lgl>  
1     1    100   150 Penguin    200   250 TRUE   
2     1    200   400 Penguin    160   170 FALSE  
3     2    100   150 Penguin    500  1000 FALSE  
4     2    200   400 Penguin   1000  2000 FALSE  

Данные

df1 <- tibble(chr=c(1,1,2,2),               start1=c(100,200,100,200),               end1=c(150,400,150,400),               species=c("Penguin"),                start2=c(200,160,500,1000),                end2=c(250,170,1000,2000) )

Если ваше определение перекрытия не является перекрытием, как в ответе Даррена https://stackoverflow.com/a/75021631/11732165, а сдерживанием ((start1 >= start2 & end1 <= end2) | (start2 >= start1 & end2 <= end1)), тогда возьмите ответ и используйте нужную логику.

Я использую перекрестное соединение, чтобы убедиться, что вы сравниваете все строки под одним и тем же chr.

К сожалению, в ваших тестовых данных, несомненно, есть полное сдерживание -

 chr   start1   end1 strand gene  start2   end2 overlap
 7 Chr2   82061  84742 +      G      80062  81061 TRUE   
 8 Chr2   84811  86692 +      H      82812  83811 TRUE   

[start2, end2] для H содержится в [start1, end1] для G.

Код (обратите внимание, что производительность быстро ухудшится, если под одним chr будет много записей — более 200, вероятно, будет невыносимым, и вам понадобится реализация, которая не включает самопересечение.

check_overlap = function(df){
  df %>% mutate(temp_id = 1:nrow(df)) %>%
    inner_join(., ., by='chr') %>%
    filter(temp_id.x != temp_id.y) %>%
    mutate(overlaps = start1.x <= end2.y & end1.x >= start2.y) %>%
    group_by(chr) %>%
    summarise(OVERLAP = any(overlaps)) %>%
    inner_join(df, by = 'chr')
}

check_containment = function(df){
  df %>% mutate(temp_id = 1:nrow(df)) %>%
    inner_join(., ., by='chr') %>%
    filter(temp_id.x != temp_id.y) %>%
    mutate(overlaps = (start1.x >= start2.y & end1.x <= end2.y) | (start2.y >= start1.x & end2.y <= end1.x)) %>%
    group_by(chr) %>%
    summarise(OVERLAP = any(overlaps)) %>%
    inner_join(df, by = 'chr')
}