cytoscape使用方法 cytoscape原理

莫娜号 1

怎样用CSCD预测circRNA的下游miRNA

5.s4.点击边(两个node之间的连线)会打开data panel的(EM overlap expression viewer)会显示被这个边连接的两个基因集有的所有基因的热图(也就是重叠基因)e expression set

1、筛选PTC中潜在的circRNA,GEO数据库中查找甲状腺状癌相关的数据集,最终找到GSE93522。通过GEO2R在线异分析工具进行异分析,此处组别的设置为:(正常vs良性);(正常vs恶性)。在挑选候选circRNA分子时,只挑选在(正常vs恶性)中的异分子,排除在(正常vs良性)中上调或者下调的circRNA。最终找到13个上调和1个下调的PTC发生和进展相关的circRNA分子。随后,我们通过circBase数据库找到这14个circRNA分子的亲本基因以及在基因组中的座位。为了绘制circRNA圈图,我们在CSCD数据库中查找这14个circRNA,最终找到11个circRNA,并用其中的数据绘制圈图。

cytoscape使用方法 cytoscape原理cytoscape使用方法 cytoscape原理


cytoscape使用方法 cytoscape原理


2、预测和分析PTC中与潜在circRNA分子结合的miRNA,circRNA分子发挥作用存在三种比较常见的机制:作为miRNA的海绵;与RBP结合;翻译为短肽或者蛋白质。从绘制的圈图看,这11个miRNA均存在MRE元件,可能可以与相应的miRNA相互作用。因此,我们使用CSCD和CRI数据库来预测相应的结合miRNA,并用Cytoscape软件构建相应的circRNA-miRNA网络图。随后,通过使用TCGA数据库中的数据,分析上述miRNA在甲状腺状癌中的表达和预后价值。3、预测和分析PTC中上述miRNA下游的靶基因,通过上述的表达分析和预后分析,符合筛选要求的只有miR-605-5p和miR-876-两个miRNA。接着,我们使用综合性靶基因预测数据库miRNet,预测这两个miRNA下游的靶基因。通过蛋白互作网络分析,我们构建靶基因PPI网络,并结合CytoHubba中的算法(Cytoscape中的插件),最终筛选出20个hub基因。同时,使用STRING数据库,我们对预测出的靶基因进行GO和KEGG富集分析。

4、构建PTC中潜在的信号通路:hsa_circ_0088494-miR-876--C5.如果同时选择了几个nodes和edges(可以通过拖曳感兴趣的基因集的box),那么EM geneset expression view会显示选中的基因集中的所有基因的union并且,EM overlap expression view会显示所有选中的基因集有的基因(也就是选中的几个基因集重叠基因)。TNNB1/CCND1,还是通过Cytoscape,我们构建miRNA-hub基因网。使用starBase数据库,我们对miRNA-hubgene关系对作表达相关性分析,从中筛选呈显著负相关的关系对(3个关系对符合)。,对三个关系对中的hub基因作表达分析,发现只有CTNNB1和CCND1在甲状腺状癌中显著高表达,符合要求。

Enrichment Map User guide用户指南

Conservative(p-value<0.001,FDR<0.05)

Enrichment Map User guide

3.富集显著性(p-value)以node颜色密度代表

译者:Y大宽

总概

CM可以使GSEA结果以网络化的形式可视化呈现。可以是GSEA的结果,当然也可以是DAVID,BINGO等其他的富集结果。Nodes代表基因集,edge代表每个set间的重叠。这种方式呈现的话,高度冗余的基因被划为一组叫clusters,这样就大大增强了导航和解释富集结果的准确性。基因富集是一种数据分析技术,需要有一下2个输入。

1.一个从基因组实验来的排列的基因列表

2.基因集,依据先验知识来的已经归类的功能基因集(如GO)或实验数据(如共表达模型)。

有了以上的输入,那么会输出一个基因集富集列表。也就是能更好的概况基因列表的基因集。通常gene-set enrichment 指的的功能富集,因为指定的功能基因集(如GO)是基于功能范畴的。如下图。

快速使用手册

生成EM(以下Enrichment Map简称为EM)

有几种选择:

加载GSEA结果

加载Generic 结果

加载Did结果

加载Bingo结果

以上几种模式的区别是富集列表的结构。如果要使用EM,需要以下文件

File.gmt:基因集 to gene ID

File.txt或.gct:表达谱矩阵(可选择)

File.txt或.xls():富集列表(s)

()GSEA以.xsl格式保存富集列表,这不是真正的excel文件,而是修饰过的tab-separated文本文件,EM不能加载真正的EXCEL文件。

如你的富集结果从GSEA产生的,主要从你的结果文件夹选择正确的文件即可,如果是用其他方法产生的富集结果,那你就去看下面的Full user guide,file 格式部分,确保文件格式和EM匹配。

另外,你可以选择参数缺省。如果你想自己设置自己的参数,那还是去Full user guide的参数选择部分。

EM的地图

1.Nodes代表基因集

2.Edge代表相互重叠部分

4.富集的表型以node的颜色(hub)代表

Node在标准的2分类设计中,2个表型比较(比如处理组和非处理组,颜色hue代表富集表型。比如上调和下调的基因。如果两个表型中的一个作为参考(比如未处理),另外一个表型是感兴趣的。在这样的case中,在感兴趣的表型中富集意味up,在对照表表型中富集意味这down

5.Node size代表这个基因集中基因的数目。

探索EM

1.窗口右边的results panel 的参数tab包含一些说明,比如表型颜色,还展示产生map的参数(比如cut-off值和data files)。

2.control panel面板中的左边network tab列出了当前session中所有可用的网络,底部有一个当前网络的总概,并可以方便的在网络中导航,甚至可以通过拖曳矩形框进行放大(当前窗口)。

3.点击一个node(代表一个基因集的圆圈)会打开data panel的(EM Geneset expression viewer)tab,显示选择基因集的所有基因的表达值的热图。

高级提示

3.如果你使用的是GSEAs MSigDb,那么你可以为每个基因集获取额外的信息,方法是添加一个额外的属性(edit-preferences-properties-add-enter proterty name:nodelinkout.MSigDb-enter property value: make current cytoscape properties default-OK现在你可以在一个node上右击选择linkout/MSigDb

在浏览器打开这个node代表的基因集。

4.当家长GSEA结果时,无序定义每个file。使用GSEA RPT文件就自动包含了EM界面所有的file。(具体在下面5的下面)

RPT files

1.GSEA结果的一个特殊的trick,在任何的GSEA分析中,会产生一个rpt文件,这个文件定义了所有文件的位置(包括gmt,gct,result文件,phenotype specification,rank files)

2.dataset tab(expression,enrichment results1 or enrichment result 2)下的任何fields都可以识别rpt文件,并且populate(进入)GMT,Expression,enrichment results1,enrichment results2,phenotypes,和ranks the values)。

3.第二个rpt文件可以从dataset2加载。如果定义的GMT文件和dataset1的文件不同,会产生一个,你可以选择使用dataset1的GMT,dataset2的GMT,或放弃第二个rpt的加载。

4.rpt文件是一个text文件,有下面的信息(用”’’”围绕的参数是EM使用的)。

EDB files(GSEAfile类型)

GSEA结果文件夹中有一个edb文件夹。里面有下面几个文件

1.result.edb

2.gene-sets.gmt

3.classfile.cls(只在GSEA分析,不在GSEAPreranked分析)

4.rankfile.rnk

5.如果在dataset tab(expression,enrichmentent results1或enrichment results2)定义了results.edb文件,那么gmt和enrichment 文件区域会自动加载。

6.if你想把表达谱文件加到分析中,那得需要手动加载。

每个dataset,用户还可以设置额外的参数文件(但不是必须的)

这些高级参数包括

1.ranks files 定义分析中基因的ranks

这个文件有固定的格式,上面也说过了。Gene tab rank(得分)。RNK文件是GSEA文件类型。和GCT,TXT文件完全不同。它只有包含基因名字和rank(或得分)。行包含列文件名(比如,gene name(-tab)rank name

RANK文件的每一行包含name(--tab--)rank (or score)

参数

Node参数

1.node筛选出现在EM中的基因集

p-value

所有小于p-value阈值的基因集都会在EM中出现

FDR Q-VALUE

所有在限定的q-value阈值之下的基因集都会在EM中出现。

根据分析类型,FDR Q-value用于EM过滤基因集的标准不一样

GSEA:使用的是gsea-result文件的第八列,名为FDR q-value

Generic:generic结果文件的第四列

Did:dide结果文件的低12列,名为“Benjamini“

Bingo:Bingo结果文件的第三列,名为“core p-value”

Edge参数 (gene集关系)

1.一个边代表存在的两个基因集A和B的基因重叠程度

2.edge定义EM中边的数目Edge specific parameters control the number of edges that are created in the enrichment map

3.过滤边只能选择一种系数type(coefficient type)

参数选择的tips

P-value和FDR阈值

Gene-set permutation

下面是你可以考虑的gene-set permutation的不同设置阈值

Very permissive(p-value<0.05,FDR<0.25)

Moderay permissive(p-v高级设置-额外文件alue<0.01,FDR<0.1)

Moderay conservative(p-value<0.075,FDR<0.075)

为了获取更高的质量,高覆盖范围的转录组数据,以非常保守的阈值进行富集的基因集数目通常在100-之间,(使用gene-set permutation)

phenotype permutation

p-value<0.05,FDR<0.25

总体,只有你很难发现富集的基因集,我们才使用permissive 阈值。

Jaccard vs Overlap coefficient

1.选择overlap系数:发生重叠的基因集发生在large size和all size之间,比如GO条目

2.选择Jaccard系数:和上面相反,比如两个基因集含的基因数不多

3. When the gene-sets are about the same size, Jaccard is about the half of the Overlap Coefficient for gene-set pairs with a all intersection, whereas it is about the same as the Overlap Coefficient for gene-sets with large intersections.

4.特殊情况,当使用OC时,如果产生的map有几个大的基因集过分的和很多其他基因集发生连接,这是可以转向JC

Overlap阈值

大多数的分析使用0.5,一个相对moderay conservative阈值

0.3更加permissive,可能会导致一个混乱的map

Jaccard阈值

0.5非常保守

0.25moderay 保守

界面

输入面板

1.分析类型Analysis Type

GSEA: 接受GSEA的结果文件。文件格式对GSEA的文件十分友好。这个类型和generic的区别是富集结果文件的数目和格式。GSEA分析总是有2个富集结果文件,分别是两个相比较的表型文件对应的结果文件,也就是一个表型文件一个。

Generic:接受和GSEA分析结果一样的文件格式,就是富集结果文件不一样。并且,它就一个富集文件。Enrichment Map User guid

DAVID: 没有gmt或表达谱文件,接受DAVIDE来的富集文件

2.基因集

描述基因集的 gmt 格式文件。用户可以通过硬盘上的文件加载

3.Dataset1:用户可以指定表达谱或富集文件,或者一个 rpt 文件,这个rpt文件可以加载所有的genesets,dataset1,2,和高级部分。

4.Aanced:初始状态是隐藏的,这可以通过点击右边的小箭头展开。用户可以修饰表型标签或加载基因rank文件

6Actions:user有三种选择,reset(清除所有输入),close(关闭输入面板),build enrichment map(执行)

有2中不同的展示窗口,每一个都是单独的数据面板。EM overlap和EM gene set。这两种表达方式的异仅仅是基因列表的异。

2.EM geneset expression viewer显示选择的基因集的所有合并的基因表达情况(并集)

3.标准化

Data as is-代表载入的数据

Row Normalize Data-每一行的表达值的平均值跟随SD

Log Transform Data-每个表达值的log值

4.sorting

Hierarchical cluster-根据整个表达set的皮尔逊相关系数计算

如果rank文件被提供,会显示Dataset 1ranking和dataset 2 ranking,通过选择,用户可以相应的对表达谱排序

如果表达值没有相应的rank,那么热途中不会出现表达值

Add ranking运行用户上传额外的rank文件(格式要正确)对rank文件的大小没有限制。但用户需要对rank文件提供一个名字。

在展示的窗口,用户可以保存表达值成txt 文件(当前展示的)

6.输出表达set(PDF)

用户可以储存当前展示的表达热图成pdf文件。不幸的是这个PDF文件不完美。列的名字在底部而不是在上部。这个问题希望在以后的cytoscape版本解决。

results面板(位于右边)

参数pane

用户可以通过滑动块调整p值和q值

1.phenotype1

2phenotype2

3.p-value cutoff向左移降低p值,会导致网络中node和相应的边减少;向右移会重新建立新node和相应的边。注意的是,建立网络的时候定义的p值不能增加。

4.Q-value cutoff向左移,降低q值,导致node和相应边在网络中移除;向右移重建。同p值,不能大于建网时的q值。

5.相似性cutoff向右移,增加阈值,导致边被移除,向左移,重建新边。不能小于建网时定义的值。

6.在浏览器加载GSEA结果

7.建立EM时的参数列表

8.热图自动聚焦默认是选中的。当你选中网络中的任何node和edge,EM自动更新表达视图。

9.default sorting order在表达视图gene可以根据等级聚类,rank,columns进行sort或不sort。

10.default distance metric对于等级聚类有三种可选择的distance metrics来计算基因之间的距离。默认是皮尔逊相关系数。如果你想使用其他的方法,重新选择就可以。

怎样用CSCD预测circRNA的下游miRNA

2.可视化地图和-边属性浏览会打开很多可视化选择,比如把标签大小和富集得分或p-values进行连接。这可以参考cytoscape手册

1、筛选PTC中潜在的circRNA,GEO数据库中查找甲状腺状癌相关的数据集,最终找到GSE93522。通过GEO2R在线异分析工具进行异分析,此处组别的设置为:(正常vs良性);(正常vs恶性)。在挑选候选circRNA分子时,只挑选在(正常vs恶性)中的异分子,排除在(正常vs良性)中上调或者下调的circRNA。最终找到13个上调和1个下调的PTC发生和进展相关的circRNA分子。随后,我们通过circBase数据库找到这14个circRNA分子的亲本基因以及在基因组中的5.你可以在一开始定义更为宽松的p-value,q-value和系数阈值,也可以在网络产生之后来调整他们,这个作在结果面板的右边。座位。为了绘制circRNA圈图,我们在CSCD数据库中查找这14个circRNA,最终找到11个circRNA,并用其中的数据绘制圈图。

2.若在EM中出现,那么基因集许通过p-value和q-value阈值

2、预测和分析PTC中与潜在circRNA分子结合的miRNA,circRNA分子发挥作用存在三种比较常见的机制:作为miRNA的海绵;与RBP结合;翻译为短肽或者蛋白质。从绘制的圈图看,这11个miRNA均存在MRE元件,可能可以与相应的miRNA相互作用。因此,我们使用CSCD和CRI数据库来预测相应的结合miRNA,并用Cytoscape软件构建相应的circRNA-miRNA网络图。随后,通过使用TCGA数据库中的数据,分析上述miRNA在甲状腺状癌中的表达和预后价值。3、预测和分析PTC中上述miRNA下游的靶基因,通过上述的表达分析和预后分析,符合筛选要求的只有miR-605-5p和miR-876-两个miRNA。接着,我们使用综合性靶基因预测数据库miRNet,预测这两个miRNA下游的靶基因。通过蛋白互作网络分析,我们构建靶基因PPI网络,并结合CytoHubba中的算法(Cytoscape中的插件),最终筛选出20个hub基因。同时,使用STRING数据库,我们对预测出的靶基因进行GO和KEGG富集分析。

4、构建PTC中潜在的信号通路:hsa_circ_0088494-miR-876--CTNNB1/CCND1,还是通过Cytoscape,我们构建miRNA-hub基因网。使用starBase数据库,我们对miRNA-hubgene关系对作表达相关性分析,从中筛选呈显著负相关的关系对(3个关系对符合)。,对三个关系对中的hub基因作表达分析,发现只有CTNNB1和CCND1在甲状腺状癌中显著高表达,符合要求。

如何将STRING的作图导入cytoscape

5.你可以在一开始定义更为宽松的p-value,q-value和系数阈值,也可以在网络产生之后来调整他们,这个作在结果面板的右边。

更改背景颜色,可以使用PS,具体方法是:

1、打开原图,如下图:

2、图层。

3、根据背景所需要的颜色,把背景填充颜色,如绿色。

4、滤镜--Knockout2--载入工作图层,如下图:

5、选择内部对象,载入内部对象;,选择外部对象,载入内部对象,如下图:

6、编辑--处理--文件--应用,如下图,这样,1.对于大的网络和低放大水平的cytoscape会自动的减少这个细节(比如隐藏标签,不显示node边界0.若override(手动作?无视?)这个策略,可以点击view-show graphics details的背景就改变了。

7、抠1.EM overlap expression viewer显示所有算则的基因集之间的重叠基因的表达(交集)出的图像,还可以运用有其它上,如:?打开其它的背景图像,如下图:

8、把抠好的人像拖到风景中,如下图:

Enrichment Map User guide用户指南

Data面板(位于底部)

Enrichment Map User guide

译者:Y大宽

总概

CM可以使GSEA结果以网络化的形式可视化呈现。可以是GSEA的结果,当然也可以是DAVID,BINGO等其他的富集结果。Nodes代表基因集,edge代表每个set间的重叠。这种方式呈现的话,高度冗余的基因被划为一组叫clusters,这样就大大增强了导航和解释富集结果的准确性。基因富集是一种数据分析技术,需要有一下2个输入。

1.一个从基因组实验来的排列的基因列表

2.基因集,依据先验知识来的已经归类的功能基因集(如GO)或实验数据(如共表达模型)。

有了以上的输入,那么会输出一个基因集富集列表。也就是能更好的概况基因列表的基因集。通常gene-set enrichment 指的的功能富集,因为指定的功能基因集(如GO)是基于功能范畴的。如下图。

快速使用手册

生成EM(以下Enrichment Map简称为EM)

有几种选择:

加载GSEA结果

加载Generic 结果

加载Did结果

加载Bingo结果

以上几种模式的区别是富集列表的结构。如果要使用EM,需要以下文件

File.gmt:基因集 to gene ID

File.txt或.gct:表达谱矩阵(可选择)

File.txt或.xls():富集列表(s)

()GSEA以.xsl格式保存富集列表,这不是真正的excel文件,而是修饰过的tab-separated文本文件,EM不能加载真正的EXCEL文件。

如你的富集结果从GSEA产生的,主要从你的结果文件夹选择正确的文件即可,如果是用其他方法产生的富集结果,那你就去看下面的Full user guide,file 格式部分,确保文件格式和EM匹配。

另外,你可以选择参数缺省。如果你想自己设置自己的参数,那还是去Full user guide的参数选择部分。

EM的地图

1.Nodes代表基因集

2.Edge代表相互重叠部分

4.富集的表型以node的颜色(hub)代表

Node在标准的2分类设计中,2个表型比较(比如处理组和非处理组,颜色hue代表富集表型。比如上调和下调的基因。如果两个表型中的一个作为参考(比如未处理),另外一个表型是感兴趣的。在这样的case中,在感兴趣的表型中富集意味up,在对照表表型中富集意味这down

5.Node size代表这个基因集中基因的数目。

探索EM

1.窗口右边的results panel 的参数tab包含一些说明,比如表型颜色,还展示产生map的参数(比如cut-off值和data files)。

2.control panel面板中的左边network tab列出了当前session中所有可用的网络,底部有一个当前网络的总概,并可以方便的在网络中导航,甚至可以通过拖曳矩形框进行放大(当前窗口)。

3.点击一个node(代表一个基因集的圆圈)会打开data panel的(EM Geneset expression viewer)tab,显示选择基因集的所有基因的表达值的热图。

高级提示

3.如果你使用的是GSEAs MSigDb,那么你可以为每个基因集获取额外的信息,方法是添加一个额外的属性(edit-preferences-properties-add-enter proterty name:nodelinkout.MSigDb-enter property value: make current cytoscape properties default-OK现在你可以在一个node上右击选择linkout/MSigDb

在浏览器打开这个node代表的基因集。

4.当家长GSEA结果时,无序定义每个file。使用GSEA RPT文件就自动包含了EM界面所有的file。(具体在下面5的下面)

RPT files

1.GSEA结果的一个特殊的trick,在任何的GSEA分析中,会产生一个rpt文件,这个文件定义了所有文件的位置(包括gmt,gct,result文件,phenotype specification,rank files)

2.dataset tab(expression,enrichment results1 or enrichment result 2)下的任何fields都可以识别rpt文件,并且populate(进入)GMT,Expression,enrichment results1,enrichment results2,phenotypes,和ranks the values)。

3.第二个rpt文件可以从dataset2加载。如果定义的GMT文件和dataset1的文件不同,会产生一个,你可以选择使用dataset1的GMT,dataset2的GMT,或放弃第二个rpt的加载。

4.rp5.参数:用户可以指定p-value,FDR和OC或JC值。t文件是一个text文件,有下面的信息(用”’’”围绕的参数是EM使用的)。

EDB files(GSEAfile类型)

GSEA结果文件夹中有一个edb文件夹。里面有下面几个文件

1.result.edb

2.gene-sets.gmt

3.classfile.GSEA可以使用两种不同的显著性评估:基因集permutation和phenotype permutation。Gene-set permutation用于GM应用例子cls(只在GSEA分析,不在GSEAPreranked分析)

4.rankfile.rnk

5.如果在dataset tab(expression,enrichmentent results1或enrichment results2)定义了results.edb文件,那么gmt和enrichment 文件区域会自动加载。

6.if你想把表达谱文件加到分析中,那得需要手动加载。

每个dataset,用户还可以设置额外的参数文件(但不是必须的)

这些高级参数包括

1.ranks files 定义分析中基因的ranks

这个文件有固定的格式,上面也说过了。Gene tab rank(得分)。RNK文件是GSEA文件类型。和GCT,TXT文件完全不同。它只有包含基因名字和rank(或得分)。行包含列文件名(比如,gene name(-tab)rank name

RANK文件的每一行包含name(--tab--)rank (or score)

参数

Node参数

1.node筛选出现在EM中的基因集

p-value

所有小于p-value阈值的基因集都会在EM中出现

FDR Q-VALUE

所有在限定的q-value阈值之下的基因集都会在EM中出现。

根据分析类型,FDR Q-value用于EM过滤基因集的标准不一样

GSEA:使用的是gsea-result文件的第八列,名为FDR q-value

Generic:generic结果文件的第四列

Did:dide结果文件的低12列,名为“Benjamini“

Bingo:Bingo结果文件的第三列,名为“core p-value”

Edge参数 (gene集关系)

1.一个边代表存在的两个基因集A和B的基因重叠程度

2.edge定义EM中边的数目Edge specific parameters control the number of edges that are created in the enrichment map

3.过滤边只能选择一种系数type(coefficient type)

参数选择的tips

P-value和FDR阈值

Gene-set permutation

下面是你可以考虑的gene-set permutation的不同设置阈值

Very permissive(p-value<0.05,FDR<0.25)

Moderay permissive(p-value<0.01,FDR<0.1)

Moderay conservative(p-value<0.075,FDR<0.075)

为了获取更高的质量,高覆盖范围的转录组数据,以非常保守的阈值进行富集的基因集数目通常在100-之间,(使用gene-set permutation)

phenotype permutation

p-value<0.05,FDR<0.25

总体,只有你很难发现富集的基因集,我们才使用permissive 阈值。

Jaccard vs Overlap coefficient

1.选择overlap系数:发生重叠的基因集发生在large size和all size之间,比如GO条目

2.选择Jaccard系数:和上面相反,比如两个基因集含的基因数不多

3. When the gene-sets are about the same size, Jaccard is about the half of the Overlap Coefficient for gene-set pairs with a all intersection, whereas it is about the same as the Overlap Coefficient for gene-sets with large intersections.

4.特殊情况,当使用OC时,如果产生的map有几个大的基因集过分的和很多其他基因集发生连接,这是可以转向JC

Overlap阈值

大多数的分析使用0.5,一个相对moderay conservative阈值

0.3更加permissive,可能会导致一个混乱的map

Jaccard阈值

0.5非常保守

0.25moderay 保守

界面

输入面板

1.分析类型Analysis Type

GSEA: 接受GSEA的结果文件。文件格式对GSEA的文件十分友好。这个类型和generic的区别是富集结果文件的数目和格式。GSEA分析总是有2个富集结果文件,分别是两个相比较的表型文件对应的结果文件,也就是一个表型文件一个。

Generic:接受和GSEA分析结果一样的文件格式,就是富集结果文件不一样。并且,它就一个富集文件。Enrichment Map User guid

DAVID: 没有gmt或表达谱文件,接受DAVIDE来的富集文件

2.基因集

描述基因集的 gmt 格式文件。用户可以通过硬盘上的文件加载

3.Dataset1:用户可以指定表达谱或富集文件,或者一个 rpt 文件,这个rpt文件可以加载所有的genesets,dataset1,2,和高级部分。

4.Aanced:初始状态是隐藏的,这可以通过点击右边的小箭头展开。用户可以修饰表型标签或加载基因rank文件

6Actions:user有三种选择,reset(清除所有输入),close(关闭输入面板),build enrichment map(执行)

有2中不同的展示窗口,每一个都是单独的数据面板。EM overlap和EM gene set。这两种表达方式的异仅仅是基因列表的异。

2.EM geneset expression viewer显示选择的基因集的所有合并的基因表达情况(并集)

3.标准化

Data as is-代表载入的数据

Row Normalize Data-每一行的表达值的平均值跟随SD

Log Transform Data-每个表达值的log值

4.sorting

Hierarchical cluster-根据整个表达set的皮尔逊相关系数计算

如果rank文件被提供,会显示Dataset 1ranking和dataset 2 ranking,通过选择,用户可以相应的对表达谱排序

如果表达值没有相应的rank,那么热途中不会出现表达值

Add ranking运行用户上传额外的rank文件(格式要正确)对rank文件的大小没有限制。但用户需要对rank文件提供一个名字。

在展示的窗口,用户可以保存表达值成txt 文件(当前展示的)

6.输出表达set(PDF)

用户可以储存当前展示的表达热图成pdf文件。不幸的是这个PDF文件不完美。列的名字在底部而不是在上部。这个问题希望在以后的cytoscape版本解决。

results面板(位于右边)

参数pane

用户可以通过滑动块调整p值和q值

1.phenotype1

2phenotype2

3.p-value cutoff向左移降低p值,会导致网络中node和相应的边减少;向右移会重新建立新node和相应的边。注意的是,建立网络的时候定义的p值不能增加。

4.Q-value cutoff向左移,降低q值,导致node和相应边在网络中移除;向右移重建。同p值,不能大于建网时的q值。

5.相似性cutoff向右移,增加阈值,导致边被移除,向左移,重建新边。不能小于建网时定义的值。

6.在浏览器加载GSEA结果

7.建立EM时的参数列表

8.热图自动聚焦默认是选中的。当你选中网络中的任何node和edge,EM自动更新表达视图。

9.default sorting order在表达视图gene可以根据等级聚类,rank,columns进行sort或不sort。

10.default distance metric对于等级聚类有三种可选择的distance metrics来计算基因之间的距离。默认是皮尔逊相关系数。如果你想使用其他的方法,重新选择就可以。

最后修改时间:
脱氧核苷酸链 一个dna有几条脱氧核苷酸链
上一篇
个人卡通头像_个人卡通头像合集
下一篇

相关文章