cmap的大部分转录相关数据都是保存为
GCT/GCTx格式的，后者是前者的二进制版本。本篇将了解，学习具体格式内容，以及读取方法
1、GCT 格式
- GCT (Gene Cluster Text)：简单来说就是行为基因，列为样本的表达矩阵；同时分别储存行与列的metadata注释信息。
- 如下图是储存有6个样本的10个基因的表达数据的矩阵，同时还包含有许多其它类型数据
（1）第1行：GCT格式的版本号1.3
（2）第二行：四个数字分别表示有10个基因，6个样本；基因有2列注释信息，样本有5行注释信息。
（3）rids与cids标识区域分别表示基因名、样本名；
（4）rids与chds标识区域分别表示基因注释信息类型、样本注释信息类型。
（5）data matrix、row metadata、column metadata则储存具体的表达信息与注释信息。
2、R包cmapR处理GCT格式数据
- 这个包虽然叫
cmapR，但实际与cmap数据库没有太大关联，可以认为是一个处理GCT格式的工具包
# if (!requireNamespace("BiocManager", quietly = TRUE))
# install.packages("BiocManager")
# BiocManager::install("cmapR")
library(cmapR)
# my_ds = ds
# write_gct(my_ds, "my_ds")
# write_gctx(my_ds, "my_ds")
- （1）解析、读入本地的
GCT/GCTx格式文件
my_ds = parse_gctx("my_ds_n272x978.gct")
class(my_ds)
# [1] "GCT"
# attr(,"package")
# [1] "cmapR"
- （2）"GCT"对象主要结构组成
#mat：表达矩阵
my_ds@mat[1:4,1:4]
# CPC006_A549_6H:BRD-U88459701-000-01-8:10 CPC020_A375_6H:BRD-A82307304-001-01-8:10
# 200814_at -0.5236 0.4525
# 222103_at -0.3721 -0.0186
# 201453_x_at 0.5784 0.3282
# 204131_s_at 0.5688 1.4957
# CPC020_HT29_6H:BRD-A82307304-001-01-8:10 CPC020_PC3_24H:BRD-A82307304-001-01-8:10
# 200814_at -0.1483 -0.6449
# 222103_at -0.3630 -0.2050
# 201453_x_at -0.2848 -0.4270
# 204131_s_at 0.2366 0.6773
# rid：基因名
str(my_ds@rid)
#chr [1:978] "200814_at" "222103_at" "201453_x_at" "204131_s_at" "200059_s_at" "205067_at" "213702_x_at" "214435_x_at" ...
# cid：样本名
str(my_ds@cid)
#chr [1:272] "CPC006_A549_6H:BRD-U88459701-000-01-8:10" "CPC020_A375_6H:BRD-A82307304-001-01-8:10" ...
# rdesc：基因注释
head(my_ds@rdesc[,1:4])
# is_bing is_lm pr_gene_id pr_gene_symbol
# 200814_at 1 1 5720 PSME1
# 222103_at 1 1 466 ATF1
# 201453_x_at 1 1 6009 RHEB
# 204131_s_at 1 1 2309 FOXO3
# 200059_s_at 1 1 387 RHOA
# 205067_at 1 1 3553 IL1B
# cdesc：样本注释
head(my_ds@cdesc[,1:4])
# brew_prefix cell_id distil_cc_q75 distil_nsample
# CPC006_A549_6H:BRD-U88459701-000-01-8:10 CPC006_A549_6H A549 0.18 4
# CPC020_A375_6H:BRD-A82307304-001-01-8:10 CPC020_A375_6H A375 0.46 5
# CPC020_HT29_6H:BRD-A82307304-001-01-8:10 CPC020_HT29_6H HT29 0.14 4
# CPC020_PC3_24H:BRD-A82307304-001-01-8:10 CPC020_PC3_24H PC3 0.57 5
# CPC006_A375_6H:BRD-U88459701-000-01-8:10 CPC006_A375_6H A375 0.20 7
# CPC006_A375_24H:BRD-U88459701-000-01-8:10 CPC006_A375_24H A375 0.75 5
- （3）解析、读入本地的
GCT/GCTx格式文件子集。适用于处理大体积的GCTx二进制文件
#仅读入colmeta信息
col_meta <- read_gctx_meta("my_ds_n272x978.gctx", dim="col")
dim(col_meta) #272 16
#仅读入rowmeta信息
row_meta <- read_gctx_meta("my_ds_n272x978.gctx", dim="row")
dim(row_meta) #978 6
#仅读取前10个样本的相关信息
my_ds_10_columns <- parse_gctx("my_ds_n272x978.gctx", cid=1:10)
dim(my_ds_10_columns@mat)
# [1] 978 10
my_ds_100_rows <- parse_gctx("my_ds_n272x978.gctx", rid=1:100)
dim(my_ds_100_rows@mat)
# [1] 100 272
- （4）取
GCT对象子集
my_ds = parse_gctx("my_ds_n272x978.gct")
# [1] 978 272
vemurafenib_ds3 <- subset_gct(my_ds,
cid=which(col_meta$pert_iname=="vemurafenib"))
# [1] 978 140
- （5）从头创建
GCT对象
m <- matrix(stats::rnorm(100), ncol=10)
rownames(m) <- letters[1:10]
colnames(m) <- LETTERS[1:10]
(my_new_ds <- new("GCT", mat=m))
rdesc <- data.frame(id=letters[1:10], type=rep(c(1, 2), each=5))
cdesc <- data.frame(id=LETTERS[1:10], type=rep(c(3, 4), each=5))
(my_new_ds <- new("GCT", mat=m, rdesc=rdesc, cdesc=cdesc))
- （6）储存
GCT对象为GCT/GCTx格式文件
# GCT file
write_gct(my_ds, "my_ds")
# GCTx file
write_gctx(my_ds, "my_ds")
# 转为SummarizedExperiment 对象格式
(se <- as(ds, "SummarizedExperiment"))
cmapR还提供由对应的docker版本，具体使用方法可见下次docker专门学习的笔记~
3、grp、gmt、gmx数据格式
3.1 GRP format
#Read a GRP file and return a vector of its contents
cmapR::parse_grp()
#Write a vector to a GRP file
cmapR::write_grp()
- 本质是只有一列元素的文本文件，没有行名/列名，以换行符为分隔符；
- 元素可以是基因名，样本名...
#genelist为基因名字符串·
write.table(genelist,sep = "\n",file = "myrid.grp",
row.names = F, col.names = F, quote = F)
3.2 GMT format
#Read a GMT file and return a list
cmapR::parse_gmt()
#Read a GMT file and return a list
cmapR::write_gmt()
- 用于储存基因集的文本格式；
- 一行代表对一个基因集的记录，以
\t为分隔符； - （从左往右）每个第一个元素为基因集名，第二个元素为对该基因集的描述，第三个元素及之后为该基因集里的所有基因
- clusterProfiler包的
read.gmt()函数可支持读取，解析gmt文件
3.3 GMX format
#Read a GMX file and return a list
cmapR::parse_gmx()
- 同样是用于储存基因集的文本格式；相当于GMT格式的转置过的~
- 一列代表对一个基因集的记录，以
\t为分隔符； - （从上往下）每个第一个元素为基因集名，第二个元素为对该基因集的描述，第三个元素及之后为该基因集里的所有基因
- clusterProfiler包的
read.gmt()函数可支持读取，解析gmt文件
