生信笔记 | 自定义GSEA分析中的gmt格式文件
在GSEA分析中,在MSigDB(Molecular Signatures Database)数据库中定义了很多基因集,下载的基因集是gmt格式文件。下载的gmt格式文件,打开后可以看见是下面这个样子的:
gmt(Gene Matrix Transposed,基因矩阵转置)是多列注释文件,列与列之间都是Tab制表符分割。
第1列:是基因所属基因集的名字,可以是通路名字,也可以是自己定义的任何名字。
第2列 :一般是描述信息,说明这套基因列表从哪里收集的,也可以为空或者用NA表示。官方提供的格式是URL,也可以是任意字符串。
第3列-第n列:是基因集内所有基因的名字,有几个写几列。
每一行的列数可以不一样,主要是基因集内的基因数量不一样。
gmt文件可用 read.gmt()函数读入,读入的数据是一个数据框。
gmt <- read.gmt("./c5.go.cc.v7.2.symbols.gmt")
class(gmt)
如何制作自定义的gmt文件?下面是来自生信技能树的案例代码:
library(clusterProfiler)
data(gcSample)
names(gcSample)
file="sink-examp.txt"
gs=gcSample
write.gmt <- function(gs,file){
sink(file)
lapply(names(gs), function(i){
cat( paste(c(i,'tmp',gs[[i]]),collapse='\t') )
cat('\n')
})
sink()
}
write.gmt(gs,file)
gcSample数据是来自clusterProfiler包,只是用来练习,自己自定义的可能并不是这样的list,可以处理成类似gcSample数据的list,用上面代码写出gmt文件。
下面是我处理的一个基因集
geneset <- read.table("data/AAsMet.txt",header = T,sep = "\t")
head(geneset)
> head(geneset)
MoleculeType Identifier MoleculeName catabolism.Type ID Essential
1 Proteins A2RU49 HYKK Lysine catabolism R-HSA-71064.2 Yes
2 Proteins Q9BQT8 SLC25A21 Lysine catabolism R-HSA-71064.2 Yes
3 Proteins Q92947 GCDH Lysine catabolism R-HSA-71064.2 Yes
4 Proteins Q8N5Z0 AADAT Lysine catabolism R-HSA-71064.2 Yes
5 Proteins Q8IUZ5 PHYKPL Lysine catabolism R-HSA-71064.2 Yes
6 Proteins Q9P0Z9 PIPOX Lysine catabolism R-HSA-71064.2 Yes
MoleculeName和 catabolism.Type这2列是我们要的。
可以自己构建类似上面gcSample的list,然后自己写一个函数输入就行。
name <- unique(geneset$catabolism.Type)
description <- rep(NA,length(name))
names(description) <- name
genes <- lapply(name, function(name){
as.vector(geneset[geneset$catabolism.Type == name,"MoleculeName"])
})
names(genes) <- name
gmtinput <- list(name=name,description=description,genes=genes)
get_gmt <- function(gmtinput,filename){
output <- file(filename, open="wt")
lapply(gmtinput[["name"]],function(name){
outlines = paste0(c(name, gmtinput[["description"]][[name]],
gmtinput[["genes"]][[name]]),collapse='\t')
writeLines(outlines, con=output)
})
close(output)
}
get_gmt(gmtinput=gmtinput,filename="data/catabolism.gmt")
我自己定义了一个输入对象gmtInfo
setClass("gmtInfo",slots=list(name="vector",description="vector",genes ="list"))
gmtInfo <- new("gmtInfo",name=name,description=description,genes = genes)
定义用来处理gmtInfo对象的函数:
write.gmt1 <- function(filename,gmtInfo){
if(class(gmtInfo) == "gmtInfo"){
output <- file(filename, open="wt")
lapply(gmtInfo@name,function(name){
writeLines(paste(c(name, gmtInfo@description[[name]],gmtInfo@genes[[name]]),collapse='\t'),
con=output)
})
close(output)
}
}
write.gmt1(filename="data/catabolism1.gmt",gmtInfo = gmtInfo)
write.gmt2 <- function(filename,gmtInfo){
if(class(gmtInfo) == "gmtInfo"){
sink(filename)
lapply(gmtInfo@name, function(name){
cat(paste(c(name, gmtInfo@description[[name]],gmtInfo@genes[[name]]),collapse='\t'))
cat('\n')
})
sink()
}
}
write.gmt2(filename="data/catabolism2.gmt",gmtInfo = gmtInfo)
参考:
https://blog.csdn.net/coding_Joash/article/details/120422166
赞 (0)