sepal

sepal : การระบุโปรไฟล์การถอดความด้วยรูปแบบเชิงพื้นที่โดยการสร้างแบบจำลองแบบกระจาย

Repo นี้ประกอบด้วย:

• แพ็คเกจ sepal python และไฟล์การติดตั้ง
• บทช่วยสอนและตัวอย่างการใช้งาน (CLI และเป็นแพ็คเกจที่นำเข้า)
• ข้อมูลที่ใช้ในการตีพิมพ์
• ผลลัพธ์ที่นำเสนอในการตีพิมพ์

ดาวน์โหลดและติดตั้ง

sepal ต้องการ python3 โดยควรเป็นเวอร์ชันที่ใหม่กว่าหรือเท่ากับ 3.5 หากต้องการดาวน์โหลดและติดตั้ง ให้เปิดเทอร์มินัลแล้วเปลี่ยนเป็นไดเร็กทอรีที่คุณต้องการให้ sepal ดาวน์โหลดและทำดังนี้

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

ขึ้นอยู่กับสิทธิ์ผู้ใช้ของคุณ คุณอาจต้องเพิ่ม --user เป็นอาร์กิวเมนต์ใน setup.py การเรียกใช้การตั้งค่าจะทำให้คุณมีการติดตั้งขั้นต่ำที่จำเป็นในการคำนวณเวลาการแพร่กระจาย อย่างไรก็ตาม หากคุณต้องการใช้โมดูลการวิเคราะห์ คุณจะต้องติดตั้งแพ็คเกจที่แนะนำด้วย หากต้องการทำสิ่งนี้ เพียง (ในไดเร็กทอรีเดียวกัน) ให้รัน:

pip install -e " .[full] "

อีกครั้ง --user อาจจำเป็นต้องรวมไว้ด้วย นอกจากนี้ คุณอาจต้องใช้ pip3 หากนี่คือวิธีการตั้งค่าอินเทอร์เฟซ python-pip ของคุณ หากคุณใช้ conda หรือสภาพแวดล้อมเสมือน ให้ทำตามคำแนะนำในการติดตั้งแพ็คเกจ

สิ่งนี้ควรติดตั้งทั้งอินเทอร์เฟซบรรทัดคำสั่ง (CLI) และแพ็คเกจมาตรฐาน หากต้องการทดสอบและดูว่าการติดตั้งสำเร็จหรือไม่ คุณสามารถลองใช้คำสั่ง:

sepal -h

ซึ่งควรพิมพ์ข้อความช่วยเหลือที่เกี่ยวข้องกับ sepal หากทุกอย่างได้ผลสำหรับคุณจนถึงตอนนี้ คุณสามารถไปที่ส่วนตัวอย่างเพื่อดูการทำงานของ sepal !

ตัวอย่าง

คลีไอ

การใช้งาน sepal ที่แนะนำคือโดยอินเทอร์เฟซบรรทัดคำสั่ง ทั้งการจำลองเพื่อคำนวณเวลาการแพร่กระจายตลอดจนการวิเคราะห์ในภายหลังหรือการตรวจสอบผลลัพธ์สามารถทำได้ง่าย ๆ โดยพิมพ์ sepal ตามด้วย run หรือ analyze โมดูล analyze มีตัวเลือกที่แตกต่างกัน ในการแสดงภาพผลลัพธ์ ( inspect ) จัดเรียงโปรไฟล์เป็นตระกูลรูปแบบ ( family ) หรือกำหนดให้ตระกูลที่ระบุวิเคราะห์การเพิ่มคุณค่าการทำงาน ( fea ) สำหรับรายการคำสั่งทั้งหมดที่มี ให้ทำ sepal module -h โดยที่ module เป็นหนึ่งใน run and analyze ด้านล่างนี้ เราแสดงให้เห็นว่าอาจใช้ sepal เพื่อค้นหาโปรไฟล์การถอดเสียงด้วยรูปแบบเชิงพื้นที่ได้อย่างไร

เราจะสร้างโฟลเดอร์เพื่อเก็บผลลัพธ์ ซึ่งจะถือเป็นไดเร็กทอรีการทำงานของเราด้วย จากไดเร็กทอรีหลักของ repo ให้ทำดังนี้

 cd res
mkdir example
cd example

ตัวอย่าง MOB จะถูกนำมาใช้เป็นตัวอย่างในการวิเคราะห์ของเรา เราเริ่มต้นด้วยการคำนวณเวลาการแพร่กระจายสำหรับแต่ละโปรไฟล์การถอดเสียง:

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

ด้านล่างนี้คือตัวอย่าง (พร้อมการแสดงคำสั่งช่วยเหลือเพิ่มเติม) ว่าจะมีลักษณะอย่างไร

เมื่อคำนวณเวลาการแพร่กระจายแล้ว เราต้องการตรวจสอบผลลัพธ์ เช่นเดียวกับในการศึกษา เราจะดูโปรไฟล์ 20 อันดับแรก เราสามารถสร้างภาพจากผลลัพธ์ของเราได้อย่างง่ายดายโดยการรันคำสั่ง:

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

ซึ่งจะมีลักษณะบางอย่างในบรรทัดนี้:

ผลลัพธ์จะเป็นรูปภาพต่อไปนี้:

จากนั้น เพื่อจัดเรียงยีนอันดับสูงสุด 100 ยีนให้อยู่ในกลุ่มตระกูลรูปแบบ โดยที่ 85% ของความแปรปรวนในรูปแบบของเราควรอธิบายด้วยรูปแบบลักษณะเฉพาะ ให้ทำดังนี้

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

จากนี้ เราได้รับแรงจูงใจที่เป็นตัวแทนสามประการต่อไปนี้สำหรับแต่ละครอบครัว:

เราอาจให้ครอบครัวของเราได้รับการวิเคราะห์เสริมคุณค่าโดยดำเนินการ:

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 "

โดยที่เราเห็นว่าแฟมิลี่ 2 ได้รับการเสริมสมรรถนะสำหรับกระบวนการต่างๆ ที่เกี่ยวข้องกับการทำงานของเซลล์ประสาท การสร้าง และการควบคุม:

	ตระกูล	พื้นเมือง	ชื่อ	p_value	แหล่งที่มา	ทางแยก_ขนาด
2	2	ไป:0007399	การพัฒนาระบบประสาท	0.00035977	ไป:บีพี	26
3	2	ไป:0050773	การควบคุมการพัฒนาเดนไดรต์	0.000835883	ไป:บีพี	8
4	2	ไป:0048167	การควบคุมความเป็นพลาสติกแบบซินแนปติก	0.00196494	ไป:บีพี	8
5	2	ไป:0016358	การพัฒนาเดนไดรต์	0.00217167	ไป:บีพี	9
6	2	ไป:0048813	การสร้างสัณฐานวิทยาของเดนไดรต์	0.00741589	ไป:บีพี	7
7	2	ไป:0048814	การควบคุมการสร้างสัณฐานวิทยาของเดนไดรต์	0.00800399	ไป:บีพี	6
8	2	ไป:0048666	การพัฒนาเซลล์ประสาท	0.0114088	ไป:บีพี	16
9	2	ไป:0099004	เส้นทางการส่งสัญญาณไคเนสที่ขึ้นอยู่กับความสงบ	0.0159572	ไป:บีพี	3
10	2	ไป:0050804	การปรับการส่งผ่านซินแนปติกเคมี	0.0341913	ไป:บีพี	10
11	2	ไป:0099177	การควบคุมการส่งสัญญาณทรานส์ซินแนปติก	0.0347783	ไป:บีพี	10

แน่นอนว่าการวิเคราะห์นี้ไม่ได้ละเอียดถี่ถ้วนนัก แต่เป็นตัวอย่างสั้นๆ เพื่อแสดงวิธีการทำงานของ CLI สำหรับ sepal

เป็นแพ็คเกจนำเข้า

แม้ว่า sepal ได้รับการออกแบบให้เป็นเครื่องมือแบบสแตนด์อโลน แต่เรายังสร้างให้ทำงานเป็นแพ็คเกจ Python มาตรฐานซึ่งสามารถนำเข้าและใช้งานฟังก์ชันในเวิร์กโฟลว์แบบรวมได้ เพื่อแสดงให้เห็นว่าสามารถทำได้อย่างไร เราได้ยกตัวอย่างโดยจำลองการวิเคราะห์มะเร็งผิวหนัง อาจมีการเพิ่มตัวอย่างเพิ่มเติมในภายหลัง

• การวิเคราะห์มะเร็งผิวหนัง : LINK

ไฟล์และรูปแบบที่รองรับ

อินพุตไปยัง sepal จะต้องอยู่ในรูปแบบ n_locations x n_genes อย่างไรก็ตาม หากข้อมูลของคุณมีโครงสร้างในทางตรงกันข้าม ( n_genes x n_locations ) เพียงแค่ระบุแฟล็ก --transpose เมื่อรันการจำลองหรือการวิเคราะห์ และสิ่งนี้จะได้รับการดูแล ของ.

ขณะนี้เรารองรับรูปแบบ .csv , .tsv และ .h5ad ประการหลัง ไฟล์ของคุณควรได้รับการจัดโครงสร้างตามรูปแบบนี้ เราคาดหวังว่าจะมีการเผยแพร่จากทีมงาน scanpy ในอนาคตอันใกล้นี้ โดยมีการนำเสนอรูปแบบมาตรฐานสำหรับข้อมูลเชิงพื้นที่ แต่จนกว่าจะถึงตอนนั้น เราจะใช้มาตรฐานดังกล่าว

ข้อมูล

ข้อมูลจริงทั้งหมดที่เราใช้นั้นเป็นข้อมูลสาธารณะ และสามารถเข้าถึงได้จากลิงก์ต่อไปนี้:

• MOB : LINK ใช้ Rep11
• สมองของเมาส์ : LINK
• ต่อมน้ำเหลือง :LINK
• มะเร็งผิวหนัง : LINK,ใช้ ST_mel1_rep1
• สมองน้อย :LINK ใช้ Cerebellum_Puck_180819_11

ข้อมูลสังเคราะห์ถูกสร้างขึ้นโดย:

• ชุดผสม 1 (ตามภาพ) : synthetic/img2cnt.py
• ชุดผสม 2 (รูปแบบทัวริง) : synthetic/turing.py
• ชุดระเหย: synthetic/ablation.py

ผลลัพธ์

ผลลัพธ์ทั้งหมดที่นำเสนอในการศึกษานี้สามารถพบได้ในโฟลเดอร์ res ทั้งข้อมูลจริงและข้อมูลสังเคราะห์ สำหรับแต่ละตัวอย่าง เราได้จัดโครงสร้างผลลัพธ์ตามนั้น:

• res/
  • sample-name/
    • X-diffusion-times.tsv : เวลาการแพร่กระจายของยีนที่ได้รับการจัดอันดับทั้งหมด
    • analysis/ : มีเอาต์พุตของการวิเคราะห์รอง