计算Gene co-expression features

Posted 2020-08-19

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了计算Gene co-expression features相关的知识，希望对你有一定的参考价值。

Gene co-expression features

The following co-expression coefficient features were attained from COXPRESdb.

打开这个页面我们点击bulk download

技术分享

然后我们下载budding yeast 文件。

在最下面我们也可以看到文件格式的说明

Under the directory named Hsa.coex.v6, 19777 files will appear.

 
 Hsa.coex.v6 ----- 1
               |-- 10
               |-- 100
               |-- ...
               |-- 9997

1
462 8.1 0.596 2158 10.9 0.590 189 12.7 0.574 ... 220963 19749.5 -0.163 130367 19760.5 -0.175

10
80168 4.9 0.553 10223 5.8 0.650 27284 5.9 0.608 ... 84058 19772.0 -0.276 83871 19775.5 -0.304

100
85449 37.9 0.478 140807 47.7 0.391 636 50.2 0.469 ... 126969 19269.8 -0.113 55930 19273.0 -0.082

Column 1; Entrez Gene ID of an opposite gene of coexpression (19776 genes)
Column 2; MR (Mutual Rank) as a final measure of coexpression. Lines are sorted by this value.
Column 3; Pearson‘s correlation coefficient of gene expression pattern

下载后的数据如下图

Sce.v14-08.G4461-S3819.rma.mrgeo.d文件夹包含4461个文件

每个文件含有4461行对应4461个GENE ID

和前面同样一个问题，它这数据只给了3列，第一列 Entrez Gene ID，第二列MR,第三列COR。

蛋白质和 Entrez Gene ID的映射我们怎么得到呢？

通过各种资料。我们知道Entrez Gene ID就是ncbi里的ID,同样我们可以通过uniport下载对应的GENEID.

我们可以通过uniport上右边的笔头添加Gene ID列如下图所示

之后我们找到Genome annotation 下面的GeneID，打上勾（藏那么深也逃脱不了我的法眼。

）。这样我们就能得到GeneID信息了。

然后我们把下面的数据下载下来。

到此数据准备工作基本完成。

我们得到一个文件夹和一个uniprot和geneid对应关系的文件。

uniprot_to_geneid.csv

Ensemble learning prediction of protein–protein interactions using proteins functional annotations

获取论文的uniprot codes列(idA,idB)

yeast_gold_protein_pair.csv

到这里我们的数据已经准备完成了。下面开始写代码！

# -*- coding: utf-8 -*-
"""
Created on Thu Nov 10 10:49:21 2016
@author: sun
"""
import pandas as pd
import os
yeast_gold_protein_pair=pd.read_csv(‘yeast_gold_protein_pair.csv‘,usecols=[‘idA‘,‘idB‘])
GeneID=pd.read_csv(‘uniprot_to_geneid.csv‘,usecols=[‘Entry‘,‘Cross-reference (GeneID)‘],index_col=0)
#注loc通过标签选择数据,iloc通过位置选择数据
idA=GeneID.loc[yeast_gold_protein_pair.idA,:]
idB=GeneID.loc[yeast_gold_protein_pair.idB,:]
idA.index=range(len(idA))
idB.index=range(len(idB))
mr=[]
cor=[]
for i in range(len(idA)):
GeneIDA=str(idA.iloc[i].values)
GeneIDB=str(idB.iloc[i].values)
ifGeneIDB!=‘[nan]‘andGeneIDA!=‘[nan]‘:
GeneIDA=GeneIDA[2:8]
GeneIDB=int(GeneIDB[2:8])
path=‘Sce.v14-08.G4461-S3819.rma.mrgeo.d/‘+GeneIDA
if os.path.exists(path):
coex=pd.read_csv(path,header=None,sep=‘ ‘,index_col=0)
ifGeneIDBin coex.index:
mr.append(coex.loc[GeneIDB,1])
cor.append(coex.loc[GeneIDB,2])
else:
mr.append("nan")
cor.append("nan")
else:
mr.append("nan")
cor.append("nan")
else:
mr.append("nan")
cor.append("nan")
yeast_gold_protein_pair[‘MR‘]=mr
yeast_gold_protein_pair[‘COR‘]=cor
yeast_gold_protein_pair.to_csv(‘coexpression.csv‘,index=False)

最后我们可以得到一个coexpression.csv的文件，通过查看文件我们可以知道，有686对蛋白找不到对应的MR和COR值

Ensemble learning prediction of protein–protein interactions using proteins functional annotations

就像上面那篇论文所说的一样，缺失值太多，不适合使用，3006个样本有686 个缺失值，将近缺少了四分之一的值。

以上是关于计算Gene co-expression features的主要内容，如果未能解决你的问题，请参考以下文章