GOCompare
1.0.0
GOCompare สามารถติดตั้งได้ดังนี้
# CRAN
install.packages( " GOCompare " )
# Alternative: GitHub
library( devtools )
remotes :: install_github( " ccsosa/GOCompare " )รายการไลบรารีทั้งหมดที่จำเป็นสำหรับแพ็คเกจรวมอยู่ด้านล่าง
การขึ้นต่อกัน: R (>= 4.0.0)
การนำเข้า: base, utils, methods, stats, grDevices, ape, vegan, ggplot2, ggrepel, igraph, parallel, stringr
แนะนำ : testthat
แพ็คเกจ R นี้มีฟังก์ชันหกฟังก์ชันเพื่อให้ขั้นตอนการทำงานที่เรียบง่ายเพื่อเปรียบเทียบผลลัพธ์ของการวิเคราะห์การเพิ่มคุณค่าฟังก์ชัน:
ฟังก์ชั่น: mostFrequentGOs. graphGOspecies ได้รับการออกแบบมาเพื่อให้การวิเคราะห์สำหรับหนึ่งสายพันธุ์
ฟังก์ชั่น: compareGOspecies graph_two_GOspecies evaluateCAT_species evaluateGO_species อนุญาตให้เปรียบเทียบสองสายพันธุ์รายการคำศัพท์ GO ที่อยู่ในหมวดหมู่ที่ผู้ใช้ต้องการ
ในที่สุด ชุดข้อมูลสี่ชุดสำหรับการทดสอบจะมีอยู่ในแพ็คเกจ: A_thaliana, A_thaliana_compress, H_sapiens, H_sapiens_compress, comparison_example
ผลการวิเคราะห์การเพิ่มฟังก์ชันการทำงาน
ในฐานะอินพุตหลัก คุณจะต้องใช้สองดาต้าเฟรมพร้อมผลลัพธ์ของการวิเคราะห์การเพิ่มคุณค่าการทำงานจากแหล่งข้อมูลที่คุณโปรดปราน เช่น BinGO, AmiGO, ShinnyGO หรือ TopGO แต่ละไฟล์จะต้องมีโครงสร้างนี้:
data.frame ของผลลัพธ์จากการวิเคราะห์การเพิ่มคุณค่าการทำงานด้วยคอลัมน์ที่มีเงื่อนไข GO ที่จะวิเคราะห์และคอลัมน์ที่มีหมวดหมู่ที่จะเปรียบเทียบ
คุณจะต้องระบุชื่อสายพันธุ์: species1 = "H_sapiens" และ species2 = "A_thaliana" ขึ้นอยู่กับฟังก์ชัน
ต้องระบุฟิลด์ที่มีชื่อคอลัมน์ซึ่งมีเงื่อนไข GO ของคุณที่จะวิเคราะห์ (เช่น: GOterm_field <- "Functional_Category")
| Functional_หมวดหมู่ | คุณสมบัติ |
|---|---|
| การตอบสนองต่อความเครียด | ความช่วยเหลือ |
| การตอบสนองการป้องกัน | ความช่วยเหลือ |
| การควบคุมขนาดของเซลล์ | ความช่วยเหลือ |
| การตอบสนองการป้องกัน | จุดมุ่งหมาย |
| การตอบสนองต่อสิ่งเร้าทางชีวภาพภายนอก | ดีซีอี |
gorth ของแพ็คเกจ gprofiler2 Rrequire( gprofiler2 );require( stringr );require( GOCompare )
url_file = " https://raw.githubusercontent.com/ccsosa/R_Examples/master/Hallmarks_of_Cancer_AT.csv "
x <- read.csv( url_file )
x [, 1 ] <- NULL
CH <- c( " AID " , " AIM " , " DCE " , " ERI " , " EGS " , " GIM " , " IA " , " RCD " , " SPS " , " TPI " )
x_Hsap <- lapply(seq_len(length( CH )), function ( i ){
x_unique <- unique(na.omit( x [, i ]))
x_unique <- x_unique [which( x_unique != " " )]
x_unique <- as.list( x_unique )
return ( x_unique )
})
names( x_Hsap ) <- CH
# Using as background the unique genes for the ten CH.
GOterm_field <- " term_name "
x_s <- gprofiler2 :: gost( query = x_Hsap ,
organism = " hsapiens " , ordered_query = FALSE ,
multi_query = FALSE , significant = TRUE , exclude_iea = FALSE ,
measure_underrepresentation = FALSE , evcodes = FALSE ,
user_threshold = 0.05 , correction_method = " g_SCS " ,
domain_scope = " annotated " , custom_bg = unique(unlist( x_Hsap )),
numeric_ns = " " , sources = " GO:BP " , as_short_link = FALSE )
colnames( x_s $ result )[ 1 ] <- " feature "
# Check number of enriched terms per category
tapply( x_s $ result $ feature , x_s $ result $ feature , length )
# Running function to get graph of a list of features and GO terms
x <- graphGOspecies( df = x_s $ result ,
GOterm_field = GOterm_field ,
option = " Categories " ,
numCores = 1 ,
saveGraph = FALSE ,
outdir = NULL ,
filename = NULL )
# visualize nodes
View( x $ nodes )
# Get nodes with values greater than 95%
perc <- x $ nodes [which( x $ nodes $ WEIGHT > quantile( x $ nodes $ WEIGHT , probs = 0.95 )),]
# visualize nodes filtered
View( perc )
# ########
# Running function to get graph of a list of GO terms and categories
x_GO <- graphGOspecies( df = x_s $ result ,
GOterm_field = GOterm_field ,
option = " GO " ,
numCores = 1 ,
saveGraph = FALSE ,
outdir = NULL ,
filename = NULL )
# visualize nodes
View( x_GO $ nodes )
# Get GO terms nodes with values greater than 95%
perc_GO <- x_GO $ nodes [which( x_GO $ nodes $ GO_WEIGHT > quantile( x_GO $ nodes $ GO_WEIGHT , probs = 0.95 )),]
# visualize GO terms nodes filtered
View( perc_GO )
# #######################################################################################################
# two species comparison assuming they are the same genes in Drosophila melanogaster
orth_genes <- gprofiler2 :: gorth( query = unique(unlist( x_Hsap )), source_organism = " hsapiens " , target_organism = " dmelanogaster " )
# assigning genes
x_Dmap <- list ()
for ( i in 1 : length( x_Hsap )){
D_list <- list ()
for ( j in 1 : length( x_Hsap [[ i ]])){
x_orth <- orth_genes [ orth_genes $ input == x_Hsap [[ i ]][ j ],]
if (nrow( x_orth ) > 0 ){
D_list [[ j ]] <- data.frame ( orth = x_orth $ ortholog_name )
} else {
D_list [[ j ]] <- NULL
}
rm( x_orth )
};rm( j )
D_list <- unique(do.call( rbind , D_list ))
D_list <- D_list [which( ! is.null( D_list ))]
x_Dmap [[ i ]] <- D_list
rm( D_list )
};rm( i )
names( x_Dmap ) <- CH
GOterm_field <- " term_name "
x_s2 <- gprofiler2 :: gost( query = x_Dmap ,
organism = " dmelanogaster " , ordered_query = FALSE ,
multi_query = FALSE , significant = TRUE , exclude_iea = FALSE ,
measure_underrepresentation = FALSE , evcodes = FALSE ,
user_threshold = 0.05 , correction_method = " g_SCS " ,
domain_scope = " annotated " , custom_bg = unique(unlist( x_Dmap )),
numeric_ns = " " , sources = " GO:BP " , as_short_link = FALSE )
colnames( x_s2 $ result )[ 1 ] <- " feature "
# preparing input for compare two species
x_input <- GOCompare :: compareGOspecies( x_s $ result , x_s2 $ result , GOterm_field , species1 = " H. sapiens " , species2 = " D. melanogaster " , paired_lists = T )
# try to test similarities using clustering
plot(hclust( x_input $ distance , method = " ward.D " ))
# Comparing species results
comp_species_graph <- GOCompare :: graph_two_GOspecies( x_input , species1 = " H. sapiens " , species2 = " D. melanogaster " , option = " Categories " )
# View nodes order by combined weight (SPS and GIM categories have more frequent GO terms co-occurring)
View( comp_species_graph $ nodes [order( comp_species_graph $ nodes $ COMBINED_WEIGHT , decreasing = T ),])
comp_species_graph_GO <- GOCompare :: graph_two_GOspecies( x_input , species1 = " H. sapiens " , species2 = " D. melanogaster " , option = " GO " )
# Get GO terms nodes with values greater than 95%
perc_GO_two <- comp_species_graph_GO $ nodes [which( comp_species_graph_GO $ nodes $ GO_WEIGHT > quantile( comp_species_graph_GO $ nodes $ GO_WEIGHT , probs = 0.95 )),]
# visualize GO terms nodes filtered and ordered (more frequent GO terms in both species and categories)
View( perc_GO_two [order( perc_GO_two $ GO_WEIGHT , decreasing = T ),])
# evaluating if there are different in proportions of GO terms for each category
x_CAT <- GOCompare :: evaluateCAT_species( x_s $ result , x_s2 $ result , species1 = " H. sapiens " , species2 = " D. melanogaster " , GOterm_field = " term_name " , test = " prop " )
x_CAT <- x_CAT [which( x_CAT $ FDR < = 0.05 ),]
# View Categories with FDR <0.05 (RCD,SPS,GIM, AIM,ERI,DCE)
View( x_CAT )
# evaluating if there are different in proportions of categories for GO terms
x_GO <- GOCompare :: evaluateGO_species( x_s $ result , x_s2 $ result , species1 = " H. sapiens " , species2 = " D. melanogaster " , GOterm_field = " term_name " , test = " prop " )
x_GO <- x_GO [which( x_GO $ FDR < = 0.05 ),]
# View Categories with FDR <0.05 (No significant results in proportions)
View( x_GO )
# #Optional plots (omit # symbol and run)
# source("https://raw.githubusercontent.com/ccsosa/Supplementary-information/refs/heads/main/CHAPTER3/PLOT_TWO_SP_GRAPH_CAT.R")
# source("https://raw.githubusercontent.com/ccsosa/Supplementary-information/refs/heads/main/CHAPTER3/PLOT_TWO_SP_GRAPH_GO.R")
# plot_twosp_CAT("D:/",comp_species_graph)
# plot_twosp_GO("D:/",comp_species_graph_GO)
หลัก:คริสเตียน ซี. โซซา, ไดอานา คาโรลินา คลาวิโฮ-บูริติกา, เมาริซิโอ กิมบายา, วิกเตอร์ อูโก การ์เซีย-เมอร์ชาน
ผู้ร่วมให้ข้อมูลคนอื่นๆ: Nicolas Lopéz-Rozo, Camila Riccio Rengifo, David Arango Londoño, Maria Victoria Diaz
โซซ่า, คริสเตียน ซี., ไดอาน่า คาโรลิน่า คลาวิโฮ-บูริติกา, วิกเตอร์ ฮูโก การ์เซีย-เมอร์ชาน, นิโคลัส โลเปซ-โรโซ, คามิลา ริชซิโอ-เรนกิโฟ, มาเรีย วิกตอเรีย ดิแอซ, เดวิด อารังโก ลอนโดโน, และ เมาริซิโอ อัลแบร์โต ควิมบายา «GOCompare: แพ็คเกจ R เพื่อเปรียบเทียบการวิเคราะห์การเพิ่มคุณค่าเชิงฟังก์ชันระหว่างสองสายพันธุ์» Genomics 115 n.1 (มกราคม 2023): 110528 https://doi.org/10.1016/j.ygeno.2022.110528
ใบอนุญาตสาธารณะทั่วไปของ GNU เวอร์ชัน 3
