sepal

sepal : Mengidentifikasi Profil Transkripsi dengan Pola Spasial dengan Pemodelan Berbasis Difusi

Repo ini berisi:

• paket sepal python, dan file instalasi
• tutorial dan contoh penggunaan (CLI dan sebagai paket yang diimpor)
• data yang digunakan dalam publikasi
• hasil yang disajikan dalam publikasi

Unduh dan Instal

sepal membutuhkan python3 , sebaiknya versi yang lebih baru atau sama dengan 3.5. Untuk mengunduh dan menginstal, buka terminal dan ubah ke direktori tempat Anda ingin sepal diunduh dan lakukan:

git clone https://github.com/almaan/sepal.git
cd sepal
chmod +x setup.py
./setup.py install

Bergantung pada hak istimewa pengguna, Anda mungkin harus menambahkan --user sebagai argumen ke setup.py . Menjalankan pengaturan akan memberi Anda instalasi minimal yang diperlukan untuk menghitung waktu difusi. Namun, jika Anda ingin dapat menggunakan modul analisis, Anda juga perlu menginstal paket yang direkomendasikan. Untuk melakukan ini, cukup jalankan (dalam direktori yang sama):

pip install -e " .[full] "

sekali lagi, --user mungkin perlu disertakan. Selain itu, Anda mungkin harus menggunakan pip3 jika ini adalah cara Anda mengatur antarmuka python-pip Anda. Jika Anda menggunakan conda atau lingkungan virtual, ikuti rekomendasi mereka untuk instalasi paket.

Ini harus menginstal antarmuka baris perintah (CLI) dan paket standar. Untuk menguji dan melihat apakah instalasi berhasil Anda dapat mencoba menjalankan perintah:

sepal -h

Yang seharusnya mencetak pesan bantuan yang terkait dengan sepal. Jika sejauh ini semuanya berhasil, Anda dapat melanjutkan ke bagian contoh untuk melihat sepal beraksi!

Contoh

CLI

Penggunaan sepal yang disarankan adalah melalui antarmuka baris perintah. Baik simulasi untuk menghitung waktu difusi serta analisis atau pemeriksaan hasil selanjutnya dapat dengan mudah dilakukan dengan mengetikkan sepal diikuti dengan run atau analyze . Modul analyze memiliki opsi yang berbeda, untuk memvisualisasikan hasil ( inspect ), mengurutkan profil ke dalam kelompok pola ( family ) atau mengarahkan keluarga yang teridentifikasi ke analisis pengayaan fungsional ( fea ). Untuk daftar lengkap perintah yang tersedia, lakukan sepal module -h , di mana module adalah salah satu run dan analyze . Di bawah ini, kami mengilustrasikan bagaimana sepal dapat digunakan untuk menemukan profil transkripsi dengan pola spasial.

Kami akan membuat folder untuk menyimpan hasil kami, yang juga akan berfungsi sebagai direktori kerja kami. Dari direktori utama repo, lakukan:

 cd res
mkdir example
cd example

Sampel MOB akan digunakan sebagai contoh analisis kami. Kami mulai dengan menghitung waktu difusi untuk setiap profil transkripsi:

sepal run -c ../../data/real/mob.tsv.gz -mo 10 -mc 5 -o . -ar 1

Di bawah ini adalah contoh (dengan tampilan tambahan dari perintah bantuan) bagaimana tampilannya

Setelah menghitung waktu difusi, kami ingin memeriksa hasilnya, seperti dalam penelitian ini, kami akan melihat 20 profil teratas. Kita dapat dengan mudah menghasilkan gambar dari hasil kita dengan menjalankan perintah:

 sepal analyze -c ../../data/real/mob.tsv.gz 
-r 20200409173043610345-top-diffusion-times.tsv 
-ar 1k -o . inspect -ng 20 -nc 5

Yang akan terlihat seperti ini:

Outputnya akan menjadi gambar berikut:

Kemudian, untuk mengurutkan 100 gen peringkat teratas ke dalam serangkaian keluarga pola, yang mana 85% varian dalam pola kita harus dijelaskan oleh pola eigen, lakukan:

sepal analyze -c ../../data/real/mob.tsv.gz 
-r 20200409173043610345-top-diffusion-times.tsv 
-ar 1k -o . family -ng 100 -nbg 100 -eps 0.85 --plot -nc 3

Dari sini diperoleh tiga motif yang mewakili setiap keluarga sebagai berikut:

Kita dapat melakukan analisis pengayaan pada keluarga kita, dengan menjalankan:

sepal analyze -c ../../data/real/mob.tsv.gz 
      -r 20200409173043610345-top-diffusion-times.tsv 
   -ar 1k -o . fea -fl mob.tsv-family-index.tsv -or " mmusculus "

di mana kita misalnya melihat bahwa Keluarga 2 diperkaya untuk beberapa proses yang berkaitan dengan fungsi, pembangkitan, dan regulasi saraf:

	keluarga	warga asli	nama	nilai_p	sumber	ukuran_persimpangan
2	2	PERGI:0007399	perkembangan sistem saraf	0,00035977	PERGI:BP	26
3	2	PERGI:0050773	regulasi perkembangan dendrit	0,000835883	PERGI:BP	8
4	2	PERGI:0048167	regulasi plastisitas sinaptik	0,00196494	PERGI:BP	8
5	2	PERGI:0016358	pengembangan dendrit	0,00217167	PERGI:BP	9
6	2	PERGI:0048813	morfogenesis dendrit	0,00741589	PERGI:BP	7
7	2	PERGI:0048814	regulasi morfogenesis dendrit	0,00800399	PERGI:BP	6
8	2	PERGI:0048666	perkembangan neuron	0,0114088	PERGI:BP	16
9	2	PERGI:0099004	jalur pensinyalan kinase dependen calmodulin	0,0159572	PERGI:BP	3
10	2	PERGI:0050804	modulasi transmisi sinaptik kimia	0,0341913	PERGI:BP	10
11	2	PERGI:0099177	regulasi sinyal trans-sinaptik	0,0347783	PERGI:BP	10

Tentu saja analisis ini tidak menyeluruh. Melainkan contoh singkat untuk menunjukkan bagaimana seseorang mengoperasikan CLI untuk sepal .

Sebagai paket impor

Meskipun sepal telah dirancang sebagai alat mandiri, kami juga membuatnya berfungsi sebagai paket python standar yang fungsinya dapat diimpor dan digunakan dalam alur kerja terintegrasi. Untuk menunjukkan bagaimana hal ini dapat dilakukan, kami memberikan contoh, mereproduksi analisis melanoma. Contoh lainnya dapat ditambahkan nanti.

• Analisis melanoma : LINK

File dan Format yang Didukung

Input ke sepal harus dalam format n_locations x n_genes , namun jika data Anda terstruktur dengan cara yang berlawanan ( n_genes x n_locations ) cukup berikan tanda --transpose saat menjalankan simulasi atau analisis dan ini akan ditangani dari.

Saat ini kami mendukung format .csv , .tsv dan .h5ad . Untuk yang terakhir, file Anda harus disusun menurut format INI. Kami berharap dalam waktu dekat akan ada rilis dari tim scanpy yang menyajikan format standar untuk data spasial, namun hingga saat itu kami akan menggunakan standar tersebut di atas.

Data

Semua data nyata yang kami gunakan bersifat publik, dan dapat diakses di tautan berikut:

• MOB: LINK, gunakan Rep11
• Otak Tikus : LINK
• Kelenjar Getah Bening :LINK
• Melanoma : LINK, gunakan ST_mel1_rep1
• Otak kecil :LINK, gunakan Cerebellum_Puck_180819_11

Data sintetis dihasilkan oleh:

• set campuran 1 (berbasis gambar): synthetic/img2cnt.py
• set campuran 2 (pola Turing): synthetic/turing.py
• set ablasi : synthetic/ablation.py

Hasil

Semua hasil penelitian yang disajikan dapat ditemukan di folder res , baik untuk data nyata maupun sintetik. Untuk setiap sampel, kami telah menyusun hasilnya sesuai dengan:

• res/
  • sample-name/
    • X-diffusion-times.tsv : waktu difusi untuk semua gen yang diberi peringkat
    • analysis/ : berisi keluaran analisis sekunder