Verteilung von Exon- und Introngrößen

Ziel

Ich versuche, eine Verteilung der Exons- und Introngrößen beim Dreistachligen Stichling ( Gasterosteus aculeatus ) zu erhalten .

Daten heruntergeladen

Ich habe einige Daten von Ensemble heruntergeladen. Genauer gesagt bin ich dorthin gegangen , habe "Struktur" in den "Attributen" ausgewählt und ausgewählt

- Ensembl Gene ID
- Exon Chr Start (bp)
- Exon Chr End (bp)

Bei diesen Daten gibt es zwei Probleme:

1. Einige Exons enden, bevor sie beginnen
2. Einige Exons überlappen

Der erste Punkt ist, den ich aufgrund der Umkehrung angenommen habe, also habe ich einfach die Start- und Endposition umgekehrt, als es eine solche Umkehrung gab. Der zweite Punkt ist problematischer, da ich nicht weiß, was eine solche Überschneidung realistisch bedeuten könnte.

Können Sie helfen, die Verteilung der Exon- und Introngrößen beim Dreistachligen Stichling zu finden?

Was ich mit den obigen Daten gemacht habe

Vorbereitung

# read data

d = read.table(file.choose(), header=TRUE)
names(d)= c("ID", "start", "end")

# Reverse exons when needed

toReverse = which(d$start > d$end)
s = d$start[toReverse]
d$start[toReverse] = d$end[toReverse]
d$end[toReverse] = s

Exon-Größen -> Sieht gut aus

# Exon sizes

ExonSizes = d$end - d$start
hist(ExonSizes) # Cool, looks good!

Introns Größen -> Sieht schlecht aus

# Intron sizes
# This is a little slow. One might have better to switch to C++.
# The idea is to look at the distance between the end of an exon and the start of the next exon within each gene.

d$ID = paste(d$ID)
IntronSizes = c()
uniquegenes = unique(d$ID)
nbgenes = length(uniquegenes)
i=0
exon = 0
for (gene in uniquegenes)
{
    i=i+1
    cat(paste0(i," / ",nbgenes,"\n"))

    while (TRUE)
    {
        exon=exon+1
        if (d$ID[exon] == gene) {
			IntronSizes = append(IntronSizes, d[exon+1,]$start - d[exon,]$end)
        } else 
        {
            break
        }
    }
}
hist(IntronSizes) # There are negative values. I don't know how to interpret them. 

hist(log(abs(IntronSizes))) # That looks good but I doubt it makes much sense!