In ASPresearch/equivStandardTest: Implements a standard test of equivalence as described in (Sanchez et alt. 2019)

require(knitr)
# include this code chunk as-is to set options
opts_chunk$set(comment = NA, prompt = TRUE, tidy = FALSE, fig.width = 7, fig.height = 7,echo = FALSE, message = FALSE, warning = FALSE, cache=FALSE)
Sys.setlocale("LC_TIME", "C")

installifnot <- function(pckgName){
  if (!(require(pckgName, character.only = TRUE))) {
    install.packages(pckgName)
  }else{
    print(paste("Package", pckgName, "already installed", sep = " "))
  } 
}

installBioCifnot <- function(pckgName){
  if (!(require(pckgName, character.only = TRUE))) {
    source("http://bioconductor.org/biocLite.R")
    biocLite(pckgName)
  }else{
    print(paste("Package", pckgName, "already installed", sep = " "))
  } 
}

if(!(require(printr))) {
  install.packages(
    'printr',
    type = 'source',
    repos = c('http://yihui.name/xran', 'http://cran.rstudio.com')
  )
}

installBioCifnot("annotate")
installBioCifnot("hgu133plus2.db")
installBioCifnot("goProfiles")
installBioCifnot("org.Hs.eg.db")
installBioCifnot("GOstats")
# require(devtools)
# install_git("https://github.com/alexsanchezpla/goProfiles-devel", "goProfiles")

Introducció

En alguns exemples recents hem detectat algun problema al calcular perfils per un sol gen. L'objectiu d'aquesta revisió es determinar si hi ha algun error i resoldre'l.

Em basaré en els perfils fets a ma que faig servir en els exemples que poso en alguna xerrada, tot i que al haver evolucionat la Gene Ontology hi ha coses que ja no son com a l'exemple.

L'exemple mostra els perfils fets per als gens: "FANCG", "PKIA", "PRKAR1B".

Anotacions GO dels gens

En la versió actual de Bioconductor les anotacions es magatzemen/recuperen de taules SQL.

gens3 <- c("FANCG", "PKIA", "PRKAR1B")
gens1<-gens3[1]
gens2 <- gens3[1:2]

# Recuperem els IDs Entrezs
require(annotate)
require(org.Hs.eg.db)
# columns(org.Hs.eg.db)
# keytypes(org.Hs.eg.db)

info3<- select(org.Hs.eg.db, keys=gens3, 
                  columns = c("ENTREZID", "SYMBOL","GO"),
                  keytype="SYMBOL")
(info3.MF   <-info3[info3[,"ONTOLOGY"]=="MF",])

table(info3$SYMBOL, info3$ONTOLOGY )

Hi ha alguna cosa nova en el llistat de les anotacions:

Observem que algun gen com FANCG té dues anotacions diferents, i per tant al perfil hauria de sortir un 1 a cada categoria,

(info3FANCG.MF   <-info3[info3[,"ONTOLOGY"]=="MF" & info3[, "SYMBOL"]=="FANCG",])

Altres com PKIA, que en té quatre te quatre anotacions pero només tres de diferents.

(info3PKIA.MF   <-info3[info3[,"ONTOLOGY"]=="MF" & info3[, "SYMBOL"]=="PKIA",])

Com hauria de ser doncs el seu perfil?

Comencem extraient els identificadors entrez dels tres gens:

(entrezs3 <- unique(info3[,"ENTREZID"]))
(symbols3 <- unique(info3[,"SYMBOL"]))
(entrez1 <- entrezs3[1]); (symbol1 <- symbols3[1])
(entrez2 <- entrezs3[2]); (symbol2 <- symbols3[2])
(entrez3 <- entrezs3[3]); (symbol3 <- symbols3[3])
(entrez12 <- entrezs3[1:2]); (symbol12 <- symbols3[1:2])

Comparem els grafs induits pels gens

Els grafs associats a cada gen es troben a l'arxiu MFGOGraph_FANCG_PRKAR1B_PKIA.pdf.

Si comparem el graf inicial amb els actuals hi trobarem una certa retirada, pero amb més complexitat.

require(GOstats)
graphMF1<-makeGOGraph(entrez1,"MF", chip="hgu133plus2.db")
graphMF2<-makeGOGraph(entrez2,"MF", chip="hgu133plus2.db")
graphMF3<-makeGOGraph(entrez3,"MF", chip="hgu133plus2.db")
graphMF12<-makeGOGraph(entrez12,"MF", chip="hgu133plus2.db")
graphMF123<-makeGOGraph(entrezs3,"MF", chip="hgu133plus2.db")

pdf("MFGOGraph_FANCG_PRKAR1B_PKIA.pdf")
plot(graphMF1, main=paste(symbol1, entrez1, "MF Ontology"))
plot(graphMF2, main=paste(symbol2, entrez2, "MF Ontology"))
plot(graphMF3, main=paste(symbol3,entrez3, "MF Ontology"))
plot(graphMF12, main=paste(symbol1,symbol2, entrez1, entrez2,"MF Ontology"))
plot(graphMF123, main=paste(symbols3, entrezs3, "MF Ontology"))
dev.off()
plot(graphMF1, main=paste(symbol1, entrez1, "MF Ontology"))

Obtenció de perfils individuals

Podem construir els perfils gen a gen i per al grup de tres gens, aquests a nivell 2 i nivell 3.

Observant els grafs fets a l'apartat anterior es immediat deduir "manualment"" quins serien els perfils d'aquests gens.

require(goProfiles)
basic.MF.1 <- basicProfile (entrez1, onto="MF", level=2, orgPackage="org.Hs.eg.db")
expanded.MF.1 <- expandedProfile(entrez1, onto="MF", level=2, orgPackage="org.Hs.eg.db", na.rm=FALSE, percentage=FALSE)

basic.MF.2 <- basicProfile (entrez2, onto="MF", level=2, orgPackage="org.Hs.eg.db")
expanded.MF.2 <- expandedProfile(entrez2, onto="MF", level=2, orgPackage="org.Hs.eg.db", na.rm=FALSE, percentage=FALSE)

basic.MF.3 <- basicProfile (entrez3, onto="MF", level=2, orgPackage="org.Hs.eg.db")
expanded.MF.3 <- expandedProfile(entrez3, onto="MF", level=2, orgPackage="org.Hs.eg.db", na.rm=FALSE, percentage=FALSE)

basic.MF.123L2 <- basicProfile (entrezs3, onto="MF", level=2, orgPackage="org.Hs.eg.db")
expanded.MF.123L2 <- expandedProfile(entrezs3, onto="MF", level=2, orgPackage="org.Hs.eg.db", na.rm=FALSE, percentage=FALSE)

basic.MF.123L3 <- basicProfile (entrezs3, onto="MF", level=3, orgPackage="org.Hs.eg.db")
expanded.MF.123L3 <- expandedProfile(entrezs3, onto="MF", level=3, orgPackage="org.Hs.eg.db", na.rm=FALSE, percentage=FALSE)

printProfiles(basic.MF.1, percentage=FALSE)
printProfiles(basic.MF.2, percentage=FALSE)
printProfiles(basic.MF.3, percentage=FALSE)
printProfiles(basic.MF.123L2, percentage=FALSE)
printProfiles(basic.MF.123L3, percentage=FALSE)

expanded.MF.1
expanded.MF.2
expanded.MF.3
expanded.MF.123L2
expanded.MF.123L3

El resultat és sorprenent.

Si comparem els perfils obtinguts pel programa amb els perfils fets manualment (no es mostren aquí, encara) podem comprovar que:

-Els perfils coincideixen quan el nombre de gens és superior a 1 -Els perfils són diferents quan es basen només en un gen

ASPresearch/equivStandardTest documentation built on March 28, 2022, 4:31 p.m.