我們的基因體時代-AI, Data和生物資訊 Day24- 使用tidyverse觀念來分析基因資料:plyranges

13th鐵人賽

weitinglin66

2021-09-24 23:35:53

832 瀏覽

分享至

上一篇我們的基因體時代-AI, Data和生物資訊 Day23- 基因註釋資料在Bioconductor中視覺化之呈現:Gviz我們示範如何將前幾天的知識整合一起，先使用AnnotationHub來取用人類基因組相關的資料包(org.Hs.eg.db, TxDb.Hsapiens.UCSC.hg38.knownGene, TxDb.Hsapiens.)，再將這些資料轉換成Bioconductor中用來分析基因資訊的資料結構IRanges, GRanges，最後使用Gviz視覺化來比較舊版本和新版本中RhD基因的資料差異。

接著我們再往下如何用tidyverse的資料科學語法來分析前幾篇的基因資料，其實在前幾天的代碼中就使用蠻多tidyverse原生的library，但在處理IRanges和GRanges時卻還是非tidyverse的寫法，相對地不太順暢和直覺，也許不是每個人會使用R語言的人都聽過tidyverse，這邊先稍微介紹一下。

R語言在這10年多其實越來越流行，雖然這三年在深度學習風潮後比較退火外，在資料科學家間其實是蠻好用的一個語言，一方面跟他友善資料處理有關，R語言這十年來如此受歡迎，第一個是其原生是由統計學家們所開發的程式語言，所以很多統計工具都有相關的程式包，第二個則是語法上的進步和友善的社群，很多不錯的工具像是ggplot2, dplyr等等，算是讓人很容易就上手，且可以很functional programming來做分析，而統計學家Hadley Wickham便是這幾個重要library的開發者，其陸續形成了一個很棒的開發社群，同時還有商業化的公司Rstudio，提供不斷進步的R語言編輯器，其中在Hadley Wickham的領導下，陸陸續續把資料分析會用到的工具大抵上都開發完善如dplyr, readr, stringr, purrr, tidyr, tibble等，最後他把這些整合到一個包，叫做tidyverse，這樣一次就可以滿足百分之八十以上的資料分析需求，在這個開發體系中有幾個蠻好的原則，可參考這篇由Hadley Wickham撰寫的文章The tidy tools manifesto：

重複使用已經使用的資料結構
將簡單的函數整合到pipe中
擁抱函數編程(functional programming)的快感
為人類服務

導入tidyverse思維的基因資料處理包：plyranges

這個包的開發者Michael Lawrence其實就是當初開發IRange和GenomicRanges的人，所以可以理解他也會是把IRanges/GenomicRanges結構語法跟tidyverse整合的最佳人選，這個包建立的一些跟tidyverse一致的語法及跟基因資料處理相關的部分整合如下：

上面表格黑色粗體的部分就是沿襲自tidyverse中dplyr的語法：mutate, filter, summarize, groupy_by, select, arrange，其他則是跟IRange/GRange處理特異性相關的操作。

這邊承襲昨天的代碼，先取得多個跟輸血醫學相關的基因資訊：

library(org.Hs.eg.db)
library(TxDb.Hsapiens.UCSC.hg38.knownGene)

TxDb.hg38 <- TxDb.Hsapiens.UCSC.hg38.knownGene


gene.inform.df <- AnnotationDbi::select(org.Hs.eg.db,
                                        keys = c("RHD", "VWF", "ADAMTS13"),
                                        keytype = c("SYMBOL"),
                                        columns = c("ENTREZID"))


hg38.cd.range.inform.df <- AnnotationDbi::select(TxDb.hg38,
                                                 keys = gene.inform.df$ENTREZID,
                                                 keytype = c("GENEID"),
                                                 columns = c("CDSCHROM", "CDSSTART","CDSID",                                                             "CDSEND", "CDSID","CDSSTRAND"))

使用as_iranges, as_granges轉換物件

相對於使用IRanges或是GRanges來建立物件，plyranges提供一個接近tidyverse語法的作法，使用as_ranges和as_granges函數，就能將data.frame的資料，轉換成IRanges和GRanges資料物件，但要遵守幾個原則，要轉換為iranges的data.frame，欄位至少要有start和end兩欄，而使用as_grangrs轉換為GRanges的物件，其data.frame至少要有三欄：start, end, seqnames，名字要一模一樣，就可以成功轉換，的確跟昨天和前天的語法比較一下，整個輕鬆簡單許多。


# 使用as_iranges
blood.irgs <- hg38.cd.range.inform.df %>% 
               dplyr::select(CDSSTART, CDSEND) %>% 
               dplyr::rename("start"=CDSSTART, 'end'=CDSEND) %>% 
               as_iranges()
# 使用as_granges
blood.grgs <- hg38.cd.range.inform.df %>% 
               dplyr::select(CDSCHROM, CDSSTART, CDSEND, GENEID, CDSSTRAND) %>% 
               dplyr::rename("start"=CDSSTART, 'end'=CDSEND, 'seqnames'=CDSCHROM) %>% 
               as_granges()

>blood.irgs
IRanges object with 139 ranges and 0 metadata columns:
            start       end     width
        <integer> <integer> <integer>
    [1]  25272548  25272695       148
    [2]  25284573  25284759       187
    [3]  25290641  25290791       151
    [4]  25300946  25301093       148
    [5]  25301520  25301686       167
    ...       ...       ...       ...
  [135]    255794    256004       211
  [136]    281379    281529       151
  [137]    256126    256195        70
  [138]    259472    259511        40
  [139]    282207    282309       103
>blood.grgs
GRanges object with 139 ranges and 2 metadata columns:
                   seqnames            ranges strand |      GENEID   CDSSTRAND
                      <Rle>         <IRanges>  <Rle> | <character> <character>
    [1]                chr1 25272548-25272695      * |        6007           +
    [2]                chr1 25284573-25284759      * |        6007           +
    [3]                chr1 25290641-25290791      * |        6007           +
    [4]                chr1 25300946-25301093      * |        6007           +
    [5]                chr1 25301520-25301686      * |        6007           +
    ...                 ...               ...    ... .         ...         ...
  [135] chr9_KN196479v1_fix     255794-256004      * |       11093           +
  [136] chr9_KN196479v1_fix     281379-281529      * |       11093           +
  [137] chr9_KN196479v1_fix     256126-256195      * |       11093           +
  [138] chr9_KN196479v1_fix     259472-259511      * |       11093           +
  [139] chr9_KN196479v1_fix     282207-282309      * |       11093           +
  -------
  seqinfo: 4 sequences from an unspecified genome; no seqlengths

直接使用filter來篩選IRanges/GRanges中的資訊

這邊我覺得超級方便，可以直接導入dplyr中filter的語法，針對任一個column的數值做篩選，可以是數值上的大小，或是字串上面的異同，比如我可以使用在IRanges的資料上，篩選出只有片段大於200的序列，同樣的，在比較資料複雜的GRanges物件，則可以做出如只要為在特定染色體上，或是後面meta data欄位的資訊，只是它的速度比想像中還慢，所以在較大的資料量下，可能要稍微等比較久一點。

> blood.irgs %>% filter(width > 200)
IRanges object with 17 ranges and 0 metadata columns:
           start       end     width
       <integer> <integer> <integer>
   [1]  25328898  25329136       239
   [2]   6110374   6110582       209
   [3]   6075335   6075551       217
   [4]   6056857   6057072       216
   [5]   6052543   6052783       241
   ...       ...       ...       ...
  [13] 133429700 133429910       211
  [14]    280509    280713       205
  [15]    281379    281697       319
  [16]    285068    285274       207
  [17]    255794    256004       211
  
 > blood.grgs %>% filter(GENEID == '6007')
GRanges object with 15 ranges and 2 metadata columns:
       seqnames            ranges strand |      GENEID   CDSSTRAND
          <Rle>         <IRanges>  <Rle> | <character> <character>
   [1]     chr1 25272548-25272695      * |        6007           +
   [2]     chr1 25284573-25284759      * |        6007           +
   [3]     chr1 25290641-25290791      * |        6007           +
   [4]     chr1 25300946-25301093      * |        6007           +
   [5]     chr1 25301520-25301686      * |        6007           +
   ...      ...               ...    ... .         ...         ...
  [11]     chr1 25317000-25317052      * |        6007           +
  [12]     chr1 25328898-25328924      * |        6007           +
  [13]     chr1 25321889-25321962      * |        6007           +
  [14]     chr1 25328898-25329136      * |        6007           +
  [15]     chr1 25328898-25329015      * |        6007           +
  -------
  seqinfo: 4 sequences from an unspecified genome; no seqlengths

修改IRanges/GRanges物件使用mutate

可以直接使用mutate來修改物件中的欄位，而其他欄位會同時調整，比如你修改這個基因區段的長度，那麼你則可已修改width，則start或end的位置會調整，可以使用anchor_start, anchor_end, anchor_centre, anchor_5p, anchor_3p來指定這樣的調整，要以哪邊為基準。

可以看一下面的示範：

> blood.irgs %>% mutate(width=10)
IRanges object with 139 ranges and 0 metadata columns:
            start       end     width
        <integer> <integer> <integer>
    [1]  25272548  25272557        10
    [2]  25284573  25284582        10
    [3]  25290641  25290650        10
    [4]  25300946  25300955        10
    [5]  25301520  25301529        10
    ...       ...       ...       ...
  [135]    255794    255803        10
  [136]    281379    281388        10
  [137]    256126    256135        10
  [138]    259472    259481        10
  [139]    282207    282216        10
> blood.irgs %>% anchor_end() %>% mutate(width=10)
IRanges object with 139 ranges and 0 metadata columns:
            start       end     width
        <integer> <integer> <integer>
    [1]  25272686  25272695        10
    [2]  25284750  25284759        10
    [3]  25290782  25290791        10
    [4]  25301084  25301093        10
    [5]  25301677  25301686        10
    ...       ...       ...       ...
  [135]    255995    256004        10
  [136]    281520    281529        10
  [137]    256186    256195        10
  [138]    259502    259511        10
  [139]    282300    282309        10
> blood.irgs %>% anchor_start() %>% mutate(width=10)
IRanges object with 139 ranges and 0 metadata columns:
            start       end     width
        <integer> <integer> <integer>
    [1]  25272548  25272557        10
    [2]  25284573  25284582        10
    [3]  25290641  25290650        10
    [4]  25300946  25300955        10
    [5]  25301520  25301529        10
    ...       ...       ...       ...
  [135]    255794    255803        10
  [136]    281379    281388        10
  [137]    256126    256135        10
  [138]    259472    259481        10
  [139]    282207    282216        10
> blood.irgs %>% anchor_center() %>% mutate(width=10)
IRanges object with 139 ranges and 0 metadata columns:
            start       end     width
        <integer> <integer> <integer>
    [1]  25272617  25272626        10
    [2]  25284661  25284670        10
    [3]  25290711  25290720        10
    [4]  25301015  25301024        10
    [5]  25301598  25301607        10
    ...       ...       ...       ...
  [135]    255894    255903        10
  [136]    281449    281458        10
  [137]    256156    256165        10
  [138]    259487    259496        10
  [139]    282253    282262        10

除了基礎的建立物件和篩選，其實還能做超多方便的運算這部分真的蠻不錯的！

R包推薦tidyverse：健達出奇蛋般一次滿足所有需求

Lee, S., Cook, D. & Lawrence, M. plyranges: a grammar of genomic data transformation. Genome Biol 20, 4 (2019). https://doi.org/10.1186/s13059-018-1597-8

Chapter 16. Visualizing Genomic Data Using Gviz and Bioconductor. Statistical Genomics. 2016

Ou J, Zhu LJ (2019). “trackViewer: a Bioconductor package for interactive and integrative visualization of multi-omics data.” Nature Methods, 16, 453–454. doi: 10.1038/s41592-019-0430-y, https://doi.org/10.1038/s41592-019-0430-y.

這個月的規劃貼在這篇文章中我們的基因體時代-AI, Data和生物資訊 Overview，也會持續調整！我們的基因體時代是我經營的部落格，如有對於生物資訊、檢驗醫學、資料視覺化、R語言有興趣的話，可以來交流交流！