Distribución de tamaños de exones e intrones

Meta

Estoy tratando de obtener una distribución de exones y tamaños de intrones en el espinoso de tres espinas ( Gasterosteus aculeatus ) .

Datos descargados

Descargué algunos datos de Ensembl. Más precisamente, fui allí , seleccioné "estructura" en los "atributos" y seleccioné

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

Hay dos problemas en estos datos:

1. Algunos exones terminan antes de comenzar
2. Algunos exones se superponen

El primer punto lo asumí debido a la reversión, así que simplemente invertí la posición inicial y final cuando hubo tal inversión. El segundo punto es más problemático ya que no sé qué podría significar tal superposición de manera realista.

¿Puedes ayudar a encontrar la distribución de los tamaños de exón e intrón en el espinoso de tres espinas?

Lo que hice con los datos anteriores

Preparación

# 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

Tamaños de exón -> Se ve bien

# Exon sizes

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

Tamaños de intrones -> Se ve mal

# 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!