如何用ps做网站页面设计,大航母网站建设在哪里,七牛云app,网站建设科技Pathview是一个用于整合表达谱数据并用于可视化KEGG通路的一个R包#xff0c;其会先下载KEGG官网上的通路图#xff0c;然后整合输入数据对通路图进行再次渲染#xff0c;从而对KEGG通路图进行一定程度上的个性化处理#xff0c;并且丰富其信息展示。#xff08;KEGG在线数…Pathview是一个用于整合表达谱数据并用于可视化KEGG通路的一个R包其会先下载KEGG官网上的通路图然后整合输入数据对通路图进行再次渲染从而对KEGG通路图进行一定程度上的个性化处理并且丰富其信息展示。KEGG在线数据库使用攻略
Pathview的安装
一种方法是通过Bioconductor安装需要Bioconductor版本3.9R的版本3.6 推荐。
if (!requireNamespace(BiocManager, quietlyTRUE)) install.packages(BiocManager)
BiocManager::install(pathview)
另一种方法是去网上下载包的压缩包https://bioconductor.org/packages/release/bioc/html/pathview.html。 下载完压缩包之后进入Rstudio选择Tools——Install Packages——Browse,找到下载压缩包的位置安装即可。 什么是KEGG pathway
KEGG (Kyoto Encyclopedia of Genes and Genomes)是系统分析基因功能、基因组信息的数据库。它有助于研究者把基因及表达信息作为一个整体网络进行研究。KEGG将基因组信息和基因功能信息有机地结合起来通过对细胞内已知生物学过程进行计算机化处理和将现有的基因功能解释标准化对基因的功能进行系统化的分析。KEGG的另一个用途是将基因组中的一系列基因用一个细胞内的分子相互作用网络连接起来如一个通路或是一个复合物通过它们来展现更高一级的生物学功能。
为什么要用KEGG的代谢通路KEGG提供的整合代谢途径(pathway)查询十分出色包括碳水化合物、核苷、氨基酸等的代谢及有机物的生物降解不仅提供了所有可能的代谢途径而且对催化各步反应的酶进行了全面的注解包含有氨基酸序列、PDB库的链接等等。(没钱买KEGG怎么办REACTOME开源通路更强大)
KEGG是进行生物体内代谢分析、代谢网络研究的强有力工具。与其他数据库相比KEGG 的一个显著特点就是具有强大的图形功能它利用图形而不是繁缛的文字来介绍众多的代谢途径以及各途径之间的关系。
在KEGG中有两种代谢图。 参考代谢通路图 reference pathway是根据已有的知识绘制的具有一般参考意义的代谢图这种图上所有小框都是无色的不会有绿色的小框并且都可以点击查看更详细的信息 特定物种的代谢图 species-specific pathway会用绿色来标出这个物种所有的基因或酶只有这些绿色的框点击以后才会给出更详细的信息。
这两种图很好区分reference pathway 在KEGG中的名字是以map开头的比如map00010就是糖酵解途径的参考图而特定物种的代谢通路图开头三个字符不是map而是种属英文单词的缩写一个属的首字母2个种的首字母比如酵母的糖酵解通路图就是sce00010大肠杆菌的糖酵解通路图就应该是eco00010吧。
对差异基因进行pathway分析 (代谢通路)就是把基因表达变化映射到具体的代谢网络中可以研究某个实验条件下显著改变的代谢通路在机制研究中显得尤为重要。
研究pathway的原因是生物学问题中设定一个“蝴蝶效应”假设1个Pathway上游基因的改变会导致下游相关基因改变从而改变通路中大量基因的表达。
准备开始
Pathview主要用于可视化pathway图上的数据。pathview可以生成KEGG视图和Graphviz视图前者将用户数据呈现在原生KEGG pathway图上更自然更易于阅读。后者使用Graphviz引擎对pathway图进行布局可以更好地控制节点或边缘属性和pathway拓扑。
首先我们在R里面调用该包使用该包自带的数据集。这是一个乳腺癌数据集可以查看下演示数据是什么格式的。
列名是每个样本名行名是每个基因的entrez id。自己准备的数据要符合这个格式因为entrez id是行名字而entrez id都是数字读取需设置check.namesF。其它类型的ID也支持需要做一些参数设置或转换具体文后有介绍。
library(pathview)
data(gse16873.d)
head(gse16873.d)# 读取自己的文件可以使用类似下面的命令
# gse16873.d - read.table(filename, sep\t, row.names1, check.namesF, headerT) 先看下Pathview最常见的一种用法将某个样本的表达量读入的数据需要是归一化后的表达量其实也可以任何列数据不仅仅是表达量数据也可以是fold change, p-value, 组蛋白修饰数据等人为指定的数值型数据也行 (关键是要懂需要展示什么数据、说明什么问题原理最重要就像GSEA基因集富集分析也是一样)最后以color bar的形式在KEGG通路图上的对应节点 (一定注意节点名字的匹配)展示
如下例子所示我们通过指定gene.data和pathway.id来观察单个样本在典型信号通路细胞周期上的表达变化。该基因芯片是在人体组织上进行的因此species“hsa”。
p - pathview(gene.data gse16873.d[, 1], pathway.id 04110, species hsa,out.suffix gse16873, kegg.native T) 如何获取自己关注的通路的ID呢? 如下动图可以得到Cell cyle的ID04110。 该例子中的图只有一个单层在原始图层修改节点颜色保留原始KEGG节点标签 (节点名)。这样输出的文件大小与原始的KEGG PNG文件一样小但是计算时间相对较长。如果我们想要一个快速的视图并且不介意将输出文件大小我们可以通过same.layer F使用两层图。通过这种方式节点颜色和标签被添加到原始KEGG的额外图层上。原来的KEGG基因标签或EC编号被替换为官方基因符号。
p - pathview(gene.data gse16873.d[, 1], pathway.id 04110, species hsa,out.suffix gse16873.2layer, kegg.native T, same.layer F) 上面的两个例子中我们查看了KEGG pathway图的数据在KEGG图上我们可以得到所有注释和meta-data因此数据更具可读性和解释性。然而输出的是PNG格式的栅格图像。我们也可以使用Graphviz engine重新绘制pathway图来查看数据这样我们对节点和边缘属性能有更多的控制更重要的是可以保存为PDF格式的矢量图像。
p - pathview(gene.data gse16873.d[, 1], pathway.id 04110, species hsa,out.suffix gse16873, kegg.native F, sign.posbottomleft) 该图的主图和图例都在一个图层或者说一个页面中我们只列出KEGG边的类型忽略图例中的节点类型以节省空间。如果我们想要完整的图例我们可以使用两个层来创建Graphviz视图: 第1页是主图第2页是图例。
注意对于Graphviz视图 (PDF文件)“层”的概念与KEGG视图 (PNG文件)略有不同。在这两种情况下我们都为两层图设置参数same.layerF。
p - pathview(gene.data gse16873.d[, 1], pathway.id 04110, species hsa,out.suffix gse16873.2layer, kegg.native F, sign.posbottomleft, same.layer F) 图形布局样式调整
在Graphviz视图中我们对图形布局有更多的控制比如可以将节点组拆分为独立的节点甚至可以将多基因节点扩展为单个基因。分裂的节点或扩展的基因可能从未分裂的组或未扩展的节点继承边。这样我们就可以得到一个基因/蛋白-基因/蛋白相互作用网络。 生信宝典之傻瓜式 (四) 蛋白蛋白互作网络在线搜索 生信宝典之傻瓜式 (五) 文献挖掘查找指定基因调控网络
可以更好地查看网络特性(模块化等)和基因方面(而不是节点方面)的数据。注意在KEGG视图中一个基因节点可能代表多个功能相似或重复的基因/蛋白。成员基因的数量从1到几十不等。
为了更好的清晰度和可读性一般将它们作为路径图上的单个节点放在一起。因此默认情况下我们不分割节点并单独标记每个成员基因。但是我们可以通过总结基因数据来可视化节点数据用户可以使用node.sum参数指定摘要方法。
p - pathview(gene.data gse16873.d[, 1], pathway.id 04110, species hsa,out.suffix gse16873.split, kegg.native F, sign.posbottomleft,split.group T) 下面的图更复杂了对简单通路适用复杂通路就头秃了
p - pathview(gene.data gse16873.d[, 1], pathway.id 04110, species hsa,out.suffix gse16873.split.expanded, kegg.native F, sign.posbottomleft,split.group T, expand.node T) 数据整合
Pathview为数据集成提供了强大的支持。它可以用来整合、分析和可视化各种各样的生物数据基因表达、遗传关联、代谢产物、基因组数据、文献和其他可映射到通路的数据类型。当数据映射到KEGG ortholog pathways时它可以直接用于宏基因组、微生物组或未知物种的数据。
化合物和基因集同时绘制在通路上
在上面的例子中我们查看了具有典型的信号通路的基因数据。有时候我们也想研究代谢通路。除了基因节点外这些通路还有复合节点。因此我们可以将基因数据和化合物数据与代谢途径进行整合或可视化。这里的基因数据是一个广泛的概念包括基因、转录本、蛋白质、酶及其表达、修饰和任何可测量的属性。化合物数据也是如此包括代谢物、药物、它们的测量值和属性。这里我们仍然使用乳腺癌微阵列数据集作为基因数据。然后生成模拟的化合物或代谢组数据并加载适当的化合物ID类型(具有足够数量的惟一条目)进行演示。
sim.cpd.datasim.mol.data(mol.typecpd, nmol3000)
data(cpd.simtypes)
head(sim.cpd.data)
我们查看该数据部分内容如下: C00232 C01881 C02424 C07418 C13756 C07378
-1.09759772 0.12891537 2.07851027 0.93299245 -0.00786048 -0.09023300
我们生成了一个包含基因数据和化合物数据的KEGG视图。pathview生成的代谢通路图与原始KEGG图相同只是为了更好地查看颜色将复合节点放大。 p - pathview(gene.data gse16873.d[, 1], cpd.data sim.cpd.data,pathway.id 00640, species hsa, out.suffix gse16873.cpd,keys.align y, kegg.native T, key.pos topright) 我们还生成了相同pathway和数据的Graphviz视图。Graphviz视图更好地显示了层次结构。对于代谢通路解析xml文件中的反应条目并将其转换为基因和复合节点之间的关系。对复合节点使用省略号。标签是从CHEMBL数据库中检索到的标准化合物名称 (KEGG在pathway数据库文件中没有提供它)。化学名称是长字符串我们需要对它们进行换行以使其符合图上指定的宽度。 p - pathview(gene.data gse16873.d[, 1], cpd.data sim.cpd.data, pathway.id 00640,species hsa, out.suffix gse16873.cpd, keys.align y, kegg.native F,key.pos bottomright, sign.pos topright, cpd.lab.offset -0.8) 多状态或样本同时或分开绘制
在前面的所有示例中我们查看了单个样本数据这些数据要么是向量要么是单列矩阵。Pathview还可以处理多个样本数据用于为每个样本生成图形。从1.1.6版开始Pathview就可以整合并绘制多状态或样本到一个图中。
set.seed(10)
sim.cpd.data2 matrix(sample(sim.cpd.data, 18000, replace T), ncol 6)
rownames(sim.cpd.data2) names(sim.cpd.data)
colnames(sim.cpd.data2) paste(exp, 1:6, sep )
head(sim.cpd.data2, 3) 在下面的例子中gene.data有三个样本而cpd.data有两个。我们可以把所有这些样品放在一张图里绘制KEGG视图或Graphviz视图。在这些图中我们看到基因节点和化合物节点被分割成多个对应于不同状态或样本的片段 (注意颜色块之前是一个节点一个颜色现在一个节点是有多个颜色每个对应一个样本基因有3个化合物有2个注意下面代码中的1:3和1:2)。如果两种数据类型中的样本实际配对需要选择匹配数据即gene.data和cpd.data的第一列来自同一个实验/样本等等。
# KEGG view
p - pathview(gene.data gse16873.d[, 1:3], cpd.data sim.cpd.data2[, 1:2],pathway.id 00640, species hsa, out.suffix gse16873.cpd.3-2s,keys.align y, kegg.native T, match.data F, multi.state T,same.layer T) 查看下绘图的数据
head(p$plot.data.cpd) 基因表达和化合物都展示前3个样品一一对应。
#KEGG view with data match
p - pathview(gene.data gse16873.d[, 1:3], cpd.data sim.cpd.data2[, 1:2],pathway.id 00640, species hsa, out.suffix gse16873.cpd.3-2s.match,keys.align y, kegg.native T, match.data T, multi.state T, same.layer T) 同样也可以使用graphviz view。
#graphviz view
p - pathview(gene.data gse16873.d[, 1:3], cpd.data sim.cpd.data2[, 1:2],pathway.id 00640, species hsa, out.suffix gse16873.cpd.3-2s,keys.align y, kegg.native F, match.data F, multi.state T,same.layer T, key.pos bottomright, sign.pos topright) 同样我们可以选择分别绘制样本即每个图形一个样本。请注意在这种情况下必须匹配gene.data和cpd.data中的样本以便将其分配给同一图表。因此参数match.data在这里并不是很有效。(图3就没有化合物的映射了)
#plot samples/states separately
p - pathview(gene.data gse16873.d[, 1:3], cpd.data sim.cpd.data2[, 1:2],pathway.id 00640, species hsa, out.suffix gse16873.cpd.3-2s,keys.align y, kegg.native T, match.data F, multi.state F, same.layer T) 如上所述同一层上的KEGG视图可能需要一些时间。同样如果我们不介意丢失原始的KEGG基因标签(或EC编号)我们可以选择使用两层的KEGG视图来加快这个过程。
p - pathview(gene.data gse16873.d[, 1:3], cpd.data sim.cpd.data2[, 1:2],pathway.id 00640, species hsa, out.suffix gse16873.cpd.3-2s.2layer,keys.align y, kegg.native T, match.data F, multi.state T, same.layer F) 离散数据标记上下调或是否存在
到目前为止我们一直在处理连续数据。但我们也经常处理离散数据。例如我们根据一些统计数据(p值、折叠变化等)选择显著基因或化合物列表。输入数据可以命名为两个层次的向量1或0(显着或不显着)也可以是一个更短的显着基因/化合物名称列表。在接下来的两个例子中我们只使gene.data和cpd.data或gene.data离散。
require(org.Hs.eg.db)
gse16873.t - apply(gse16873.d, 1, function(x) t.test(x, alternative two.sided)$p.value)
sel.genes - names(gse16873.t)[gse16873.t 0.1]
sel.cpds - names(sim.cpd.data)[abs(sim.cpd.data) 0.5]
我们分别查看下sel.genes和sel.cpds的数据结构
选择高亮的基因
head(sel.genes)
[1] 10000 10003
[3] 10007 100128414
[5] 100129271 100129762
选择高亮的化合物
head(sel.cpds)
[1] C00232 C02424 C07418
[4] C06633 C00251 C01059
p - pathview(gene.data sel.genes, cpd.data sel.cpds, pathway.id 00640,species hsa, out.suffix sel.genes.sel.cpd, keys.align y, kegg.native T,key.pos topright, limit list(gene 1, cpd 1), bins list(gene 1, cpd 1),na.col gray, discrete list(gene T, cpd T)) p - pathview(gene.data sel.genes, cpd.data sim.cpd.data, pathway.id 00640,species hsa, out.suffix sel.genes.cpd, keys.align y, kegg.native T,key.pos topright, limit list(gene 1, cpd 1), bins list(gene 1, cpd 10),na.col gray, discrete list(gene T, cpd F)) 不同来源的ID的转换和映射
pathview的一个显著特点是它强大的ID映射能力。集成的Mapper模块将10多种基因或蛋白ID、20多种化合物或代谢物ID映射到标准KEGG基因或化合物ID。换句话说使用这些不同ID类型命名的用户数据可以精确地映射到目标KEGG路径。Pathview适用于大约4800个物种的路径物种可以以多种格式指定:KEGG代码、科学名称或常用名称。
cpd.cas - sim.mol.data(mol.type cpd, id.type cpd.simtypes[2], nmol 10000)
gene.ensprot - sim.mol.data(mol.type gene, id.type gene.idtype.list[4], nmol 50000)
同样查看cpd.simtypes、cpd.cas和gene.ensport的数据结构
head(cpd.simtypes)
[1] Beilstein Registry Number
[2] CAS Registry Number
[3] ChEMBL COMPOUND
[4] KEGG COMPOUND accession
[5] KEGG DRUG accession
[6] Patent accession
head(cpd.cas)
是一个named vactor128470-16-6、465-42-9、25812-30-0 为化合物名字下面的数字0.9594129是含量。(不知道为什么会模拟出负值可能是归一化(scale)后的数据。具体见R语言 - 热图美化)。
128470-16-6 465-42-90.9594129 0.688276025812-30-0 4790-08-3-1.5775357 1.257996995789-30-3 138-14-7-1.9112655 -0.1616219
head(gene.ensprot)
是一个named vactorENSP00000414006是基因名字-0.1609490基因表达量
ENSP00000414006 ENSP00000403857-0.1609490 1.5800692
ENSP00000444905 ENSP000004343120.2108686 -0.6047296
ENSP00000493916 ENSP00000338796-0.9955757 0.5357721
注意参数中的gene.idtype和cpd.idtype用来指定基因和化合物的ID类型。
p - pathview(gene.data gene.ensprot, cpd.data cpd.cas, gene.idtype gene.idtype.list[4],cpd.idtype cpd.simtypes[2], pathway.id 00640, species hsa, same.layer T,out.suffix gene.ensprot.cpd.cas, keys.align y, kegg.native T,key.pos bottomright, sign.pos topright, limit list(gene 3, cpd 3),bins list(gene 6, cpd 6)) 对于不在自动映射列表中的外部ID我们可以使用mol.sum函数 (也是Mapper模块的一部分)显式地进行ID和数据映射。这里我们需要提供id.map (外部ID和KEGG标准ID之间的映射矩阵)。我们使用ID映射函数id2eg和cpdidmap等来得到id.map矩阵。注意这些ID映射函数可以独立于pathview 主函数使用。
id.map.cas - cpdidmap(in.ids names(cpd.cas), in.type cpd.simtypes[2],out.type KEGG COMPOUND accession)
cpd.kc - mol.sum(mol.data cpd.cas, id.map id.map.cas)
id.map.ensprot - id2eg(ids names(gene.ensprot), category gene.idtype.list[4], org Hs)
gene.entrez - mol.sum(mol.data gene.ensprot, id.map id.map.ensprot)
p - pathview(gene.data gene.entrez, cpd.data cpd.kc, pathway.id 00640,species hsa, same.layer T, out.suffix gene.entrez.cpd.kc, keys.align y,kegg.native T, key.pos bottomright, sign.pos topright,limit list(gene 3, cpd 3), bins list(gene 6, cpd 6)) 不同物种使用时名称的处理
当对KEGG处理时物种是一个棘手但重要的问题。KEGG拥有自己的物种专用命名法和数据库其中包括大约4800个基因组完整的生物体。换句话说这些生物体的基因数据都可以通过pathview进行映射、可视化和分析。这种全面的物种覆盖是pathview数据集成能力的一个突出特点。然而KEGG并不以同样的方式对待所有这些生物体/基因组。KEGG使用NCBI GeneID(或Entrez基因)作为最常见的模型动物的默认ID包括人类、小鼠、大鼠等以及一些作物如大豆、葡萄和玉米。另一方面KEGG对所有其他生物体使用 Locus 标记和其他id包括动物、植物、真菌、原生生物以及细菌和古生菌。
Pathview带有一个数据矩阵korg其中包括支持的KEGG物种数据和默认基因ID的完整列表。让我们探索korg数据矩阵以便对KEGG物种及其Gene ID的使用有所了解。
data(korg)
head(korg) ktax.id tax.id kegg.code scientific.name common.name entrez.gnodes kegg.geneid
[1,] T01001 9606 hsa Homo sapiens human 1 374659
[2,] T01005 9598 ptr Pan troglodytes chimpanzee 1 474020
[3,] T02283 9597 pps Pan paniscus bonobo 1 100989900
[4,] T02442 9595 ggo Gorilla gorilla gorilla western lowland gorilla 1 101125212
[5,] T01416 9601 pon Pongo abelii Sumatran orangutan 1 100172878
[6,] T03265 61853 nle Nomascus leucogenys northern white-cheeked gibbon 1 105739221ncbi.geneid ncbi.proteinid uniprot
[1,] 374659 NP_001273380 Q8N4P3
[2,] 474020 XP_001140087 Q1XHV8
[3,] 100989900 XP_003811308 NA
[4,] 101125212 XP_018886437 G3QNH0
[5,] 100172878 NP_001125944 Q5R9G0
[6,] 105739221 XP_012359712 G1RK33
#number of species which use Entrez Gene as the default ID
sum(korg[,entrez.gnodes]1,na.rmT) #204#number of species which use other ID types or none as the default ID
sum(korg[,entrez.gnodes]0,na.rmT) #5041#new from 2017: most species which do not have Entrez Gene annotation any more
na.idxis.na(korg[,ncbi.geneid])
sum(na.idx) #4674
从上面的korg的探索中我们看到4800个KEGG物种中只有少数没有NCBIEntrez基因ID或基因ID注释其中的一个。几乎所有物种都具有默认的KEGG基因ID通常是Locus标签和Entrez Gene ID注释。因此pathview接受所有这些物种的gene.idtype “kegg”或“Entrez”不区分大小写。用户需要确保正确的gene.idtype是特定的因为除了35种常见物种外KEGG和Entrez基因ID不同。对于19种Bioconductor提供基因注释包。用户可以自由地输入gene.data和其他gene.idtype。有关这些Bioconductor注释物种和额外基因ID类型的列表允许
data(bods)
bods
package species kegg code id.type[1,] org.Ag.eg.db Anopheles aga eg[2,] org.At.tair.db Arabidopsis ath tair[3,] org.Bt.eg.db Bovine bta eg[4,] org.Ce.eg.db Worm cel eg[5,] org.Cf.eg.db Canine cfa eg[6,] org.Dm.eg.db Fly dme eg[7,] org.Dr.eg.db Zebrafish dre eg[8,] org.EcK12.eg.db E coli strain K12 eco eg[9,] org.EcSakai.eg.db E coli strain Sakai ecs eg
[10,] org.Gg.eg.db Chicken gga eg
[11,] org.Hs.eg.db Human hsa eg
[12,] org.Mm.eg.db Mouse mmu eg
[13,] org.Mmu.eg.db Rhesus mcc eg
[14,] org.Pf.plasmo.db Malaria pfa orf
[15,] org.Pt.eg.db Chimp ptr eg
[16,] org.Rn.eg.db Rat rno eg
[17,] org.Sc.sgd.db Yeast sce orf
[18,] org.Ss.eg.db Pig ssc eg
[19,] org.Xl.eg.db Xenopus xla eg
data(gene.idtype.list)
gene.idtype.list SYMBOL GENENAME ENSEMBL ENSEMBLPROT UNIGENE UNIPROT ACCNUM ENSEMBLTRANS REFSEQ ENZYME TAIR PROSITE ORF
所有先前的例子用了人类数据其中Entrez Gene是KEGG的默认基因ID。Pathview现在从版本1.1.5开始显式处理使用Locus标签或其他基因ID作为KEGG默认ID的物种。以下是大肠杆菌菌株K12数据的几个例子。首先我们使用大肠杆菌K12的默认KEGG ID基因座标签处理基因数据。
eco.dat.kegg - sim.mol.data(mol.typegene,id.typekegg,specieseco,nmol3000)
head(eco.dat.kegg)
查看部分eco.dat.kegg数据 b3649 b0486 b3312 b3566 b3945 b29360.3116743 0.9873035 -1.5734323 1.8890136 0.2399454 0.4556519
p - pathview(gene.data eco.dat.kegg, gene.idtypekegg, pathway.id 00640,species eco, out.suffix eco.kegg, kegg.native T, same.layerT) 我们也可以用与人类相同的方法对大肠杆菌K12的Entrez Gene ID进行基因数据处理。
eco.dat.entrez - sim.mol.data(mol.typegene,id.typeentrez,specieseco,nmol3000)
head(eco.dat.entrez)
查看部分eco.dat.entrez数据 948629 945263 948265 948536 948973 947881
-0.2516281 0.3116743 0.9873035 -1.5734323 1.8890136 0.2399454
p - pathview(gene.data eco.dat.entrez, gene.idtypeentrez, pathway.id 00640,species eco, out.suffix eco.entrez, kegg.native T, same.layerT) 基于上述bods数据大肠杆菌K12在Bioconductor中有注释。因此我们可以进一步研究其基因数据与其他ID类型例如官方基因符号。在调用pathview时首先需要将这些数据映射到Entrez Gene ID如果还没有然后再映射到默认的KEGG IDLocus标签。因此它比上一个例子花费更长的时间。
egid.ecoeg2id(names(eco.dat.entrez), categorysymbol, pkgorg.EcK12.eg.db)
eco.dat.symbol - eco.dat.entrez
names(eco.dat.symbol) - egid.eco[,2]
head(eco.dat.kegg)
p - pathview(gene.data eco.dat.symbol, gene.idtypesymbol, pathway.id 00640, species eco, out.suffix eco.symbol.2layer, kegg.native T, same.layerF) 未注释物种的处理 直接用于宏基因组或微生物组数据
重要的是当数据被映射到KEGG ortholog pathways时pathview可以直接用于宏基因组或微生物组数据。来自KEGG中未注释和未包含的任何新物种非KEGG物种的数据也可以通过pathview用同样的方法映射到KEGG ortholog pathways中进行分析和可视化。在下一个例子中我们首先模拟映射的KEGG ortholog基因数据。然后将数据作为gene.data输入其中species “ko”。
ko.datasim.mol.data(mol.typegene.ko, nmol5000)
head(ko.data)
查看一下ko.data数据 K01859 K15874 K04035 K16205 K16093 K09447
-0.5198690 0.5832773 -1.3411454 0.5746940 0.2157879 -1.1339828
p - pathview(gene.data ko.data, pathway.id 04112, species ko, out.suffix ko.data, kegg.native T) 参考 https://academic.oup.com/nar/article/45/W1/W501/3804420 https://bioconductor.org/packages/release/bioc/html/pathview.html
