205410_es-ES

liliconcom

Asociación genética con JMP Genomics, Parte 1: Importación y limpieza de datos

En la serie Genetic Association with JMP Genomics, descubrimos numerosos métodos para asociar marcadores genéticos con rasgos de interés. Antes de comenzar cualquier análisis, necesitamos importar y limpiar nuestros datos. En esta guía, descargamos un conjunto de datos de GEO, lo llevamos a Genómica JMP , y transformarlo en una forma ideal para el análisis. En este ejemplo, exploramos ~22 000 marcadores genéticos en una muestra de 474 perros de montaña de Bernese que están afectados o no afectados por sarcomas histiocíticos (tumores).

Importación de un archivo de diseño experimental

1. Para comenzar, siga el siguiente enlace para descargar el xml.tgz datos. ftp://ftp.ncbi.nlm.nih.gov/geo/series/GSE38nnn/GSE38011/miniml/
2. Una vez que los archivos se han guardado en su computadora, desde el Iniciador de genómica Seleccione Importar > Archivo de diseño experimental > Crear archivo de diseño desde MINiML .
   • El primer paso para importar los datos es crear un Archivo de diseño experimental (EDF) del archivo xml que formaba parte de la descarga. Este archivo contendrá datos fenotípicos, así como los nombres de archivo necesarios para importar los datos de marcadores de todos.
   • NOTA: El EDF se puede crear a partir de datos en cualquier formato importándolos a JMP. Esto incluye archivos de Excel y archivos de texto delimitado a los que se puede acceder a través del Archivo > Abrir comando desde cualquier ventana de JMP Genomics.
3. Sobre el General pestaña, seleccione el archivo xml como el Archivo con formato MINIML .
4. Escribe perro_bernés_EDF como el Nombre del archivo de salida y designar un Carpeta de salida , luego haga clic Correr .
5. La salida es un EDF que contiene la información necesaria para importar los datos del marcador. Cada fila en el EDF corresponde a un archivo .txt que contiene los datos del marcador de cada perro individual. Las siguientes columnas son requeridas en un EDF:

• Matriz: número único para cada muestra/individuo
• Archivo: El nombre del archivo desde el cual importar los datos de muestra
• ColumnName: Identificador único de cada fila. Aquí, cada entrada de ColumnName es la identificación de referencia para un solo perro.

Importación de datos de marcador

6. Para importar los datos del marcador, vuelva a la Iniciador de genómica y seleccione Importar > Texto > Importar un experimento diseñado desde archivos de texto, CSV o Excel .
7. Sobre el General pestaña, busque el EDF sas7bdat y seleccionarlo como el Archivo de diseño experimental .
8. Una vez designado el EDF, haga clic en Abierto junto al archivo para que aparezca la tabla EDF.
9. En la parte superior de la tabla, seleccione Columnas > Nuevas columnas.. y crea una nueva columna con el Nombre de columna Intensidad . Selecciona el Tipo de datos a Personaje .
10. En la primera fila de la recién creada Intensidad columna, haga doble clic e ingrese VAR2 .
    • Esto especifica la segunda columna de cada archivo de datos como datos genotípicos.
    • El título de la columna se denomina "Intensidad" porque normalmente se crea un EDF para datos de expresión.
11. Haga clic derecho en la nueva lectura de celda VAR2 y seleccione Rellenar > Rellenar hasta el final de la tabla . Una vez creada la nueva columna, guarde el EDF.
12. volviendo a la General pestaña, navegue a la carpeta donde se almacenan los 476 archivos descargados de GEO y designe esa carpeta como la Carpeta de archivos sin formato .
13. Seleccione Delimitado por tabulaciones como el Tipo de archivo de datos .
14. Selecciona el Número de fila de nombres de variables a 0 y el Fila de inicio de datos a 1 .
15. Seleccione Usar variable de identificación como el variable clave para fusionar archivos y tipo VAR1 como el Variable de identificación .
    • Esto designará la primera columna de cada archivo como la variable ID, independientemente de su nombre.
16. Designar un Carpeta de salida .
17. Sobre el Opciones pestaña, anule la selección de la opción Realizar transformación log2 . Esta opción se usa nuevamente para transformar datos de expresión y no entra en juego aquí.
18. Hacer clic Correr para comenzar el proceso.
19. La ventana de resultados contendrá una copia del EDF y un nuevo conjunto de datos llamado sas7bdat . Abra e inspeccione los datos. Observe que tiene 475 columnas correspondientes a perros individuales y los marcadores están organizados en filas (formato alto).

Transposición de alto a ancho y combinación de conjuntos de datos

20. El siguiente paso es combinar el EDF y los datos del marcador en un conjunto de datos amplio. Volver a la Iniciador de genómica y seleccione Utilidades de conjuntos de datos SAS > Tablas > Transponer alto a ancho .
    • Se necesita un amplio conjunto de datos para realizar la mayoría de los procedimientos de modelado genético y predictivo.
21. Sobre el General pestaña, elige sas7bdat como el Conjunto de datos altos de entrada .
22. Seleccione VAR1 como el Variables que definen nombres de columnas anchas y escriba SNP_ en la caja etiquetada Prefijo para nombres de columnas anchas .
    • Esto designará nombres de variables SNP (nombres de columna) como SNP_1, SNP_2, SNP_3, etc. en el conjunto de datos de salida.
23. Designar el FED sas7bdat como el Conjunto de datos SAS de diseño experimental .
24. Nombra el Conjunto de datos amplio de salida bernese_geno_wide .
25. Designar un Carpeta de salida y haga clic Correr para comenzar el análisis.
26. Abra los datos de salida e inspecciónelos. El resultado es un amplio conjunto de datos que contiene tanto datos fenotípicos como genotípicos. Observe que cada genotipo se compone de dos letras no delimitadas.

Recodificar genotipos faltantes

27. Los datos genotípicos en este conjunto de datos están codificados en formato de alelo (AA, AB, BB) con los datos faltantes codificados como NC. Para recodificar estos genotipos faltantes, regrese a la Iniciador de genómica y seleccione Genética > Utilidades genéticas > Recodificar genotipos faltantes .                       
28. En el General pestaña, elija el conjunto de datos amplio sas7bdat como el Conjunto de datos SAS de entrada .
29. Escribe SNP_: en el Especificación de estilo de lista de variables de marcador para especificar cada columna que comienza con esa cadena de caracteres como una variable de marcador.
30. En el Valor actual que denota genotipos faltantes caja, tipo CAROLINA DEL NORTE .
31. Seleccione un Carpeta de salida y nombrar el Conjunto de datos de salida bernese_geno_wide_miss .
32. Hacer clic Correr para comenzar la recodificación. El conjunto de datos resultante tendrá la CAROLINA DEL NORTE genotipos reemplazados por una celda en blanco.

Importación de archivo de anotación (opcional)

33. El conjunto de datos de anotación correspondiente a estos marcadores está contenido en el archivo GPL15578-tbl-1.txt y se puede obtener una vista previa en el sitio web de GEO: ( https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GPL15578 )
34. Una vista previa rápida del archivo con un visor de texto mostrará que el archivo asociado con la descarga de GEO no contiene los nombres de columna para estos datos. Para resolver este problema, deberán ingresarse manualmente. Desde el Iniciador de genómica , Seleccione Archivo > Abrir y localiza el archivo GPL15578-tbl-1.txt . Antes de abrir, seleccione el Abierto como: opción Datos con vista previa . Esto abrirá un cuadro de diálogo que ayudará con la importación.
35. Seleccione próximo para ver una vista previa de la importación. Desde esta ventana, los nombres de las columnas se pueden cambiar para que coincidan con los nombres de las columnas anteriores simplemente haciendo clic en el encabezado de la columna y escribiendo el nombre deseado.
36. Una vez ingresados los nombres de las columnas, haga clic en Importar para importar los datos.
37. El primer paso es hacer clic derecho en el Nombre columna y seleccione Eliminar columnas .
    • Esta columna es un duplicado de la SPOT_ID columna y puede causar problemas en la línea debido al nombre de la columna Nombre .
38. A continuación, haga clic con el botón derecho en el cr columna y seleccione Información de la columna… Cambiar el Tipo de datos opción a Numérico .
    • Esto entrará en juego más adelante, ya que los resultados de algunos análisis se ordenan por cromosoma.
39. Haga clic derecho en el REF_ID columna y elige Ordenar > Ascendente. Una vez ordenadas las columnas por REF_ID , haga clic derecho en el SNP_ID columna y elige Fórmula .
40. En el Fórmula ventana, tipo “SNP_” (incluidas las comillas) en el recuadro. Luego, desde el menú en el extremo izquierdo, seleccione Personaje > Concat que agregará una barra doble (||) a la fórmula. Luego, volviendo al menú en el extremo izquierdo, seleccione Carácter > Carácter y agrega la columna REF_ID a los paréntesis. La fórmula completa debe parecerse a la siguiente.
    • Esto tomará las entradas de cada fila en el REF_ID columna y agregue un prefijo " SNP_ ”. Esta columna actuará como la columna clave o de referencia para el conjunto de datos genotípicos.
41. Seleccione OK para aplicar la fórmula y volver al conjunto de datos de anotación. los SNP_ID ahora se completará la columna. Ahora, elimine la fórmula haciendo clic derecho en el SNP_ID columna y seleccionando Información de la columna…
42. Cuando aparezca la siguiente ventana, resalte Fórmula y seleccione Remover . Luego haga clic OK . Nota: Esto no debería tener ningún efecto visible en la tabla de anotaciones.
    • Eliminar la fórmula permite desbloquear la columna mientras se conserva la información creada por la fórmula.
43. Guarde el conjunto de datos de anotación completado en formato .sas7bdat. Nombra el archivo sas7bdat .

Recodificar a genotipos numéricos

44. El siguiente paso será recodificar los genotipos en formato numérico. Desde el Iniciador de genómica , Seleccione Genética > Utilidades genéticas > Recodificación de genotipos .
45. Sobre el General pestaña, elija la sas7bdat datos como el Conjunto de datos SAS de entrada .
46. Escribe SNP: en el Especificación de estilo de lista de variables de marcador
    • Esto designa todas las columnas que comienzan con las letras "SNP" como variables marcadoras.
47. Designar un Carpeta de salida .
48. Sobre el recodificar pestaña, seleccione Genotipos no delimitados como el Formato de variables de marcador .
49. Deje las opciones predeterminadas de Aditivo numérico por Recodificación de genotipos y Recodificación de variante rara .
    • La codificación numérica aditiva es la siguiente: 0 = homocigoto para el alelo mayor, 1 = heterocigoto, 2 = heterocigoto para el alelo menor.
50. Nombra el Conjunto de datos de genotipo de salida bernese_wide_numeric .
51. Desde el Anotación pestaña, seleccione el archivo de arriba, sas7bdat como el Anotación de datos SAS Establecer.
52. Ingresar SNP_ID como el Variable de etiqueta de anotación y haga clic Correr para comenzar la recodificación.
53. inspeccionar el Datos de genotipo recodificados , nombrada bernese_wide_numeric_sas7bdat , desde la ventana de salida y observe los genotipos recién recodificados.

En la serie Asociación genética con JMP Genomics, descubriremos numerosos métodos para asociar marcadores genéticos con rasgos de interés. Antes de comenzar cualquier análisis, necesitamos importar y limpiar nuestros datos. En esta guía, descargamos un conjunto de datos de GEO, lo llevamos a JMP y lo transformamos en una forma ideal para el análisis. En este ejemplo, exploramos ~22,000 marcadores genéticos en una muestra de 474 perros de montaña de Bernese que están afectados o no afectados por sarcomas histiocíticos (tumores).