Informasi

Analisis filogenetik pengayaan gen?

Analisis filogenetik pengayaan gen?


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Apakah ada alat untuk melakukan analisis filogenetik pengayaan gen? Ini adalah, saya memiliki daftar gen dari percobaan yang dilakukan di beberapa spesies, dengan skor-z yang dapat digambarkan sebagai "pengayaan" yang terkait dengan setiap gen di setiap spesies. Dia bukan ekspresi gen, itu pengayaan penanda tertentu n gen. Saya ingin membandingkan daftar ini, yang tidak sepenuhnya tumpang tindih, di seluruh filogeni spesies, untuk melihat perubahan signifikan dalam tren pengayaan di tingkat gen, atau di tingkat cabang. Alat apa yang bisa saya gunakan untuk ini?

Spesies1 Z-score Gen1 0,532 Gen2 0,531… Spesies2 Z-score Gen1 0,51 Gen3 0,505…

Menganalisis gen secara filogenetik yang tidak ada di setiap spesies mungkin memberi Anda beberapa masalah, tetapi sangat mungkin untuk secara bersamaan menganalisis keterkaitan spesies (berdasarkan skor pengayaan Anda), dan keterkaitan skor itu sendiri.

Maafkan saya jika analisis ini terlalu 'sederhana', tetapi Anda belum mengatakan apa yang telah Anda coba.

Pilihan pendekatan saya adalah menggunakan R (paket statistik open source) untuk menghasilkan peta panas matriks data Anda. Ada banyak opsi untuk metode pengelompokan, tetapi defaultnya cenderung menghasilkan plot panas yang cukup bagus, dengan analisis klaster hierarkis dilakukan pada kedua dimensi data (Anda hanya dapat menentukan 1, atau bahkan tidak sama sekali, jika Anda mau). Saya telah menggunakan kode berikut untuk mensimulasikan beberapa data untuk menghasilkan peta panas di bawah ini;

# menghasilkan matriks 10x10 menggunakan data acak x <- as.matrix(data.frame(rnorm(10),rnorm(10),rnorm(10),rnorm(10),rnorm(10),rnorm(10),rnorm(10),rnorm( 10),rnorm(10),rnorm(10),rnorm(10))) # menggunakan fungsi peta panas pada data. "labRow" dan "labCol" cukup hapus labelnya. peta panas(x, xlab="Gen", ylab="Spesies",,)


Karena itu adalah data yang dihasilkan secara acak, tidak ada pola yang benar-benar ada, tetapi jika Anda memasukkan data nyata Anda di sana, itu akan terlihat lebih baik, tidak diragukan lagi. (Dalam analisis sebenarnya Anda ingin membiarkan label tetap menyala, saya hanya menyederhanakan plot). Fungsi ini dapat menangani nilai yang hilang, sehingga Anda dapat meletakkan semua gen yang ingin Anda analisis di sana, meskipun tidak semua spesies memilikinya.

Dengan menggunakan metode ini Anda dapat melihat spesies yang paling dekat hubungannya dengan pengayaan gen, dan juga yang merupakan gen yang paling dekat hubungannya (dalam hal pengayaan untuk TF Anda).


Dari contoh Anda

Spesies1 Z-score Gen1 0,532 Gen2 0,531… Spesies2 Z-score Gen1 0,51 Gen3 0,505

Anda perlu mendapatkan matriks untuk semua skor-Z dari spesies Anda, seperti ini

Gen Spesies1 Spesies2 Gen1 0,532 0,51 Gen2 0,531 NA Gen3 NA 0,505

Dan kemudian, Anda dapat dengan mudah menghitung matriks jarak untuk set pengayaan Anda, untuk melakukan analisis filogenetik dengan R

Sebagai contoh

gen <- c(tempel(rep("gen",10), seq(1,10,1),)) Spesies <- c(rep(rnorm(10, 0.5 ,0.3), 10)) Nama spesies < - c(paste(rep("Species", 10), seq(1,10,1),)) gene.matrix <- data.frame(Species1=Species[1:10], Species2=Species[11:20] ], Species3=Species[21:30], Species4=Species[31:40], Species5=Species[41:50], Species6=Species[51:60], Species7=Species[61:70], Species8=Species [71:80], Species9=Species[81:90], Species10=Species[91:100], row.names=genes) d.gene.matrix <- dist(gene.matrix, method = "euclidean") pohon <- hclust (d.gene.matrix) plot (pohon)> gene.matrix Species1 Species2 Species3 Species4 Species5 Species6 Species7 gene1 0,97128393 0,97128393 0,97128393 0,97128393 0,97128393 0,97128393 0,97128393 gene2 0,85378459 0,85378459 0,85378459 0,85378459 0,85378459 0,85378459 0,85378459 gene3 0,85152911 0,85152911 0,85152911 0,85152911 0,85152911 0,85152911 0,85152911 gene4 0.52703866 0.52703866 0.52703866 0.52703866 0.52703866 0.52703866 0.52703866 gen5 0.49145958 0.49145958 0.49145958 0.49145958 0.49145958 0.49145958 0.49145958 Gene6 0,70815764 0,70815764 0,70815764 0,70815764 0,70815764 0,70815764 0,70815764 gene7 0,66739808 0,66739808 0,66739808 0,66739808 0,66739808 0,66739808 0,66739808 gene8 0,47487837 0,47487837 0,47487837 0,47487837 0,47487837 0,47487837 0,47487837 gene9 0,13635000 0,13635000 0,13635000 0,13635000 0,13635000 0,13635000 0,13635000 gene10 0,07511424 0,07511424 0,07511424 0,07511424 0,07511424 0,07511424 0,07511424 Species8 Species9 Species10 gene1 0,97128393 0,97128393 0,97128393 gene2 0,85378459 0,85378459 0,85378459 gene3 0,85152911 0,85152911 0,85152911 gene4 0,52703866 0,52703866 0,52703866 gene5 0,49145958 0,49145958 0,49145958 Gene6 0,70815764 0,70815764 0,70815764 gene7 0,66739808 0,66739808 0,66739808 gene8 0,47487837 0,47487837 0,47487837 gene9 0,13635000 0,13635000 0,13635000 gene10 0,07511424 0,07511424 0,07511424


Tonton videonya: Creating a Phylogenetic Tree (Oktober 2022).