python版的MCScan绘图

Posted 2023-05-12

参考技术A

将gff转变为bed格式

获取对应cds/pep序列

也可以根据gff文件，基因组ref.fa文件中直接调取cds，和pep序列

得到以下图片

若想突出显示某一共线性则可以在对应的位置添加g *即可

若想比较3个物种共线性关系，则应两两比对，得到两个.simple文件，并对其进行配置

可以得到以下结果

也可以调整配置文件，得到不同样式的图形

得到如下结果

除此之外，可以用TBtools快速得到共线性图片可以参考 用TBtools，快速高效实现基因组共线性分析与可视化， 赞！

在基因水平上进行查看共线性结果

（1）获取共线性区块

grape.peach.i1.blocks 包含两列 (iter=1)，第一列grape基因名字，第二列；peach基因名，么有对应基因就是一个点

本次选择部分进行画图

（2）配置画图 blocks.layout

(3) 进行画图

也可以选择直线

基因也可以只用箭头的方式

也可以添加颜色

添加基因名称

也可以多个进行比对（如上述一样）

首先俩俩进行比对，分别获取block，然后将其合并即可

block 文件如下

blocks2.layout如下

开始画

有散景版的熊猫自相关绘图方法吗？

【中文标题】有散景版的熊猫自相关绘图方法吗？

【英文标题】：Is there a bokeh version of pandas autocorrelation plot method?

【发布时间】：2017-09-06 18:01:18

【问题描述】：

假设我们有一个名为“series”的时间序列对象。我知道它很容易使用 autocorrelation_plot() 方法来绘制 series 对象的滞后和自相关维度。

代码如下：

from matplotlib import pyplot
from pandas.tools.plotting import autocorrelation_plot
autocorrelation_plot(series)
pyplot.show()

这是熊猫图：

有没有办法使用散景服务器获得相同的情节？

【参考方案1】：

是的，有。我编写的代码可以为您提供与 pandas autocorrelation_plot() 方法相同的结果。

代码如下：

from bokeh.layouts import column
from bokeh.plotting import figure, curdoc
import timeseries_model_creator  # to get data
import numpy as np

TimeSeriesModelCreator = timeseries_model_creator.TimeSeriesModelCreator()
series = TimeSeriesModelCreator.read_csv()  # time series object

def get_autocorrelation_plot_params(series):
    n = len(series)
    data = np.asarray(series)

    mean = np.mean(data)
    c0 = np.sum((data - mean) ** 2) / float(n)

    def r(h):
        return ((data[:n - h] - mean) *
                (data[h:] - mean)).sum() / float(n) / c0
    x = np.arange(n) + 1
    y = map(r, x)
    print "x : ", x, " y : ", y
    z95 = 1.959963984540054
    z99 = 2.5758293035489004
    return n, x, y, z95, z99

n, x, y, z95, z99 = get_autocorrelation_plot_params(series)

auto_correlation_plot2 = figure(title='Time Series Auto-Correlation', plot_width=1000,
                                plot_height=500, x_axis_label="Lag", y_axis_label="Autocorrelation")

auto_correlation_plot2.line(x, y=z99 / np.sqrt(n), line_dash='dashed', line_color='grey')
auto_correlation_plot2.line(x, y=z95 / np.sqrt(n), line_color='grey')
auto_correlation_plot2.line(x, y=0.0, line_color='black')
auto_correlation_plot2.line(x, y=-z95 / np.sqrt(n), line_color='grey')
auto_correlation_plot2.line(x, y=-z99 / np.sqrt(n), line_dash='dashed', line_color='grey')

auto_correlation_plot2.line(x, y, line_width=2)
auto_correlation_plot2.circle(x, y, fill_color="white", size=8)  # optional

curdoc().add_root(column(auto_correlation_plot2))

这是散景图：

【参考方案2】：

我基本上是在复制 Ayberk 的答案，但是把它变成了一个函数

def acf(series):
    n = len(series)
    data = np.asarray(series)
    mean = np.mean(data)
    c0 = np.sum((data - mean) ** 2) / float(n)
    def r(h):
        acf_lag = ((data[:n - h] - mean) * (data[h:] - mean)).sum() / float(n) / c0
        return round(acf_lag, 3)
    x = np.arange(n) # Avoiding lag 0 calculation
    acf_coeffs = pd.Series(map(r, x)).round(decimals = 3)
    acf_coeffs = acf_coeffs + 0
    return acf_coeffs

def significance(series):
    n = len(series)
    z95 = 1.959963984540054 / np.sqrt(n)
    z99 = 2.5758293035489004 / np.sqrt(n)
    return(z95,z99)

def bok_autocor(series):
    x = pd.Series(range(1, len(series)+1), dtype = float)
    z95, z99 = significance(series)
    y = acf(series)
    p = figure(title='Time Series Auto-Correlation', plot_width=1000,
               plot_height=500, x_axis_label="Lag", y_axis_label="Autocorrelation")
    p.line(x, z99, line_dash='dashed', line_color='grey')
    p.line(x, z95, line_color = 'grey')
    p.line(x, y=0.0, line_color='black')
    p.line(x, z99*-1, line_dash='dashed', line_color='grey')
    p.line(x, z95*-1, line_color = 'grey')
    p.line(x, y, line_width=2)
    return p


show(series.pipe(bok_autocor))

我找到了 acf here，它表明它来自 pandas autocorrelation_plot 函数，并且看起来也与 Ayberk 使用的相似。