計算Gene co-expression features

Gene co-expression features

下載 co-expression 數據

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

http://coxpresdb.jp/download.shtml

打開這個頁面咱們點擊bulk download

而後咱們下載budding yeast 文件。

 

在最下面咱們也能夠看到文件格式的說明

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

 

 下載後的數據以下圖

Sce.v14-08.G4461-S3819.rma.mrgeo.d文件夾包含4461個文件

每一個文件含有4461行對應4461個GENE ID

 

 

 下載uniport數據

和前面一樣一個問題，它這數據只給了3列，第一列   Entrez Gene ID，第二列MR,第三列COR 。

蛋白質和   Entrez Gene ID的映射咱們怎麼獲得呢？

經過各類資料。咱們知道 Entrez Gene ID就是ncbi裏的ID,一樣咱們能夠經過uniport下載對應的GENEID.

咱們能夠經過uniport上右邊的筆頭添加 Gene ID列以下圖所示

以後咱們找到Genome annotation 下面的GeneID，打上勾（藏那麼深也逃脫不了個人法眼。 ）。這樣咱們就能獲得 GeneID信息了。

 

 

而後咱們把下面的數據下載下來。

 

 

到此數據準備工做基本完成。

咱們獲得一個文件夾和一個uniprot和geneid對應關係的文件。

uniprot_to_geneid.csv

 

 

 

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

 獲取論文的 uniprot codes列(idA,idB)

yeast_gold_protein_pair.csv

到這裏咱們的數據已經準備完成了。下面開始寫代碼！

---

 

代碼的設計

 

 

1. # -*- coding: utf-8 -*-
2. """
3. Created on Thu Nov 10 10:49:21 2016
5. @author: sun
6. """
7. import pandas as pd
8. import os
10. yeast_gold_protein_pair=pd.read_csv('yeast_gold_protein_pair.csv',usecols=['idA','idB'])
11. GeneID=pd.read_csv('uniprot_to_geneid.csv',usecols=['Entry','Cross-reference (GeneID)'],index_col=0)
12. #注loc經過標籤選擇數據,iloc經過位置選擇數據
13. idA=GeneID.loc[yeast_gold_protein_pair.idA,:]
14. idB=GeneID.loc[yeast_gold_protein_pair.idB,:]
15. idA.index=range(len(idA))
16. idB.index=range(len(idB))
18. mr=[]
19. cor=[]
20. for i in range(len(idA)):
21. GeneIDA=str(idA.iloc[i].values)
22. GeneIDB=str(idB.iloc[i].values)
23. ifGeneIDB!='[nan]'andGeneIDA!='[nan]':
24. GeneIDA=GeneIDA[2:8]
25. GeneIDB=int(GeneIDB[2:8])
26. path='Sce.v14-08.G4461-S3819.rma.mrgeo.d/'+GeneIDA
27. if os.path.exists(path):
28. coex=pd.read_csv(path,header=None,sep=' ',index_col=0)
29. ifGeneIDBin coex.index:
30. mr.append(coex.loc[GeneIDB,1])
31. cor.append(coex.loc[GeneIDB,2])
32. else:
33. mr.append("nan")
34. cor.append("nan")
35. else:
36. mr.append("nan")
37. cor.append("nan")
38. else:
39. mr.append("nan")
40. cor.append("nan")
42. yeast_gold_protein_pair['MR']=mr
43. yeast_gold_protein_pair['COR']=cor
45. yeast_gold_protein_pair.to_csv('coexpression.csv',index=False)

 

最後咱們能夠獲得一個coexpression.csv的文件，經過查看文件咱們能夠知道，有686對蛋白找不到對應的MR和COR值

 

 總結

 

 

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

就像上面那篇論文所說的同樣，缺失值太多，不適合使用，3006個樣本有686 個缺失值，將近缺乏了四分之一的值。

 

來自爲知筆記(Wiz)