Извлечение отсчетов чтения, соответствующих каждому символу гена

Question

Я дал количественную оценку экспрессии генов Сэлмона, которая дает мне транскрипты Ensembl, я преобразовал транскрипты Ensembl в символ гена, но для некоторых генов у меня несколько транскриптов; Как я мог разрушить считанные гены, я попытался tximport пакет, но я нашел это слишком сложно, так как моя аннотация отличается.

Name                NumReads
ENST00000355520.5   407.186
ENST00000566753.1   268.879
ENST00000481617.2   242.25
ENST00000538183.2   226.576

ensembltranscript_id gene_name
ENST00000482226.2   FCGR2C
ENST00000508651.1   FCGR2C
ENST00000571914.1   TSPAN10
ENST00000571707.1   TSPAN10
ENST00000534817.1   OVCH2
ENST00000445557.1   OR52E1
ENST00000575319.1   CYP2D7
ENST00000576465.1   CYP2D7

РЕДАКТИРОВАНИЕ

Это результат подсчета чтения лосося

https://www.dropbox.com/s/7bkril0v6sw7v9z/Salmon_output.txt?dl=0

И это когда я конвертировал идентификаторы транскрипта в выводе Salmon в имя гена

https://www.dropbox.com/s/m1iybfbu2i4bb39/Converting_transcript_id_to_gene_id.txt?dl=0

Answer 1

Вы можете использовать пакет dplyr.

Создать тестовую таблицу:

names = c("ensembltranscript_id",  "gene_name", "NumReads")
transcripts = c("ENST00000482226.2", "ENST00000508651.1", "ENST00000571914.1", "ENST00000571707.1", "ENST00000534817.1")
gene_names = c("FCGR2C", "FCGR2C", "TSPAN10", "TSPAN10", "OVCH2")
reads = c(205.56, 456.21, 123.3, 52.6, 268.45)

data = data.frame(transcripts, gene_names, reads)
names(data) = names

Делаем расчет:

result = data %>% 
  group_by(gene_name) %>% 
  summarise(sum(NumReads)) %>%
  mutate_if(is.numeric, format, 2)

Распечатать результат:

# A tibble: 3 x 2
  gene_name `sum(NumReads)`
  <fct>     <chr>          
1 FCGR2C    661.77         
2 OVCH2     268.45         
3 TSPAN10   175.90

Надеюсь это поможет.

Редактировать:

Как указано в комментариях ФП, ожидаемый результат поможет. Извините, может быть, я неправильно понял "коллапс" в этом контексте. Моя интерпретация заключается в суммировании чтений на имя гена.

Edit2:

Как уже упоминалось в моем комментарии, постарайтесь не предоставлять ссылки. Ссылки могут быть неработающими и т. Д. Подробные инструкции о том, как написать хороший пост, смотрите здесь.

Однако на основе ваших реальных данных сделайте следующее:

Загрузите данные:

salmon_reads = read.table(file = "/path/to/Salmon_output.txt", header = T, sep = "\t")
genes = read.table(file = "/path/to/Converting_transcript_id_to_gene_id.txt", header = T, sep = "\t")

Просто объедините данные по идентификатору транскрипта:

merged_data = merge(x = salmon_reads, y = genes, by.x = colnames(salmon_reads)[1], by.y = colnames(genes)[1], all = T)

Выполните расчет и порядок уменьшения чтения:

result = merged_data %>% 
  group_by(external_gene_name) %>% 
  summarise(sum(NumReads)) %>%
  mutate_if(is.numeric, format, 2)

result$`sum(NumReads)` = as.numeric(result$`sum(NumReads)`)
result = result[order(result$`sum(NumReads)`, decreasing = T),]

Вы не упомянули, как обращаться с АН. В этом сценарии все чтения для имен генов, которые являются NA, суммируются. Вот почему АН больше всего читает.