INSTALACIÓN
Primero vamos a correr las librerias necesarias para instalar rbims
##
## ── R CMD build ─────────────────────────────────────────────────────────────────
##
checking for file ‘/private/var/folders/zy/l8mxm9wx25j3m490q5ptty3w0000gn/T/RtmpAAIsSs/remotes39f32a193c4b/mirnavazquez-RbiMs-37f5e19/DESCRIPTION’ ...
✔ checking for file ‘/private/var/folders/zy/l8mxm9wx25j3m490q5ptty3w0000gn/T/RtmpAAIsSs/remotes39f32a193c4b/mirnavazquez-RbiMs-37f5e19/DESCRIPTION’
##
─ preparing ‘rbims’:
##
checking DESCRIPTION meta-information ...
✔ checking DESCRIPTION meta-information
##
─ excluding invalid files
##
Subdirectory 'man' contains invalid file names:
## ‘rRbiMs-3.png’
##
─ checking for LF line-endings in source and make files and shell scripts
##
─ checking for empty or unneeded directories
##
NB: this package now depends on R (>= 3.5.0)
##
WARNING: Added dependency on R >= 3.5.0 because serialized objects in
## serialize/load version 3 cannot be read in older versions of R.
## File(s) containing such objects:
## ‘rbims/data/Rbims.RData’
## ─ building ‘rbims_0.0.0.9000.tar.gz’
##
##
1.ANÁLISIS DE INTERPRO A TRAVÉS DE RBIMS
Rbims puede leer los datos provenientes de una anotación con Interpro y recuperar datos de abundancias para Pfam, Interpro IDs, TigerFam, KEGG, etc. Es decir, calcula las abundancias del atributo escogido para cada bin. La funcíon que se utiliza es read_interpro y cuando escogemos el argumento profile = TRUE, rbims nos arroja una tabla resumida de abundancias.
interpro_PFAM_profile_T<-read_interpro(data_interpro = "../Datos_rbims/Interpro/", database="Pfam", profile = T)
head(interpro_PFAM_profile_T)## # A tibble: 6 × 6
## Pfam domain_name APAlg APMar APOce PolalgTG
## <chr> <chr> <int> <int> <int> <int>
## 1 PF13577 SnoaL-like domain 7 0 0 4
## 2 PF00535 Glycosyl transferase family 2 9 8 1 14
## 3 PF01323 DSBA-like thioredoxin domain 6 5 1 3
## 4 PF12840 Helix-turn-helix domain 2 2 0 1
## 5 PF14559 Tetratricopeptide repeat 11 8 0 6
## 6 PF00625 Guanylate kinase 1 1 0 1
Cuando escogemos el argumento profile = FALSE, rbims nos arroja una version mas extensa de estos resultados.
interpro_PFAM_profile_F<-read_interpro(data_interpro = "../Datos_rbims/Interpro/",
database="Pfam", profile = F)
head(interpro_PFAM_profile_F)## # A tibble: 6 × 5
## Scaffold_name Bin_name Pfam domain_name Abundance
## <chr> <chr> <chr> <chr> <int>
## 1 APAlg_scaffold_7180000000006|quiver_615 APAlg PF135… SnoaL-like… 7
## 2 APAlg_scaffold_7180000000006|quiver_2099 APAlg PF005… Glycosyl t… 9
## 3 APAlg_scaffold_7180000000006|quiver_599 APAlg PF013… DSBA-like … 6
## 4 APAlg_scaffold_7180000000006|quiver_56 APAlg PF128… Helix-turn… 2
## 5 APAlg_scaffold_7180000000006|quiver_1555 APAlg PF145… Tetratrico… 11
## 6 APAlg_scaffold_7180000000006|quiver_2519 APAlg PF006… Guanylate … 1
2.CÁLCULO DE CONTRIBUCIONES Rbims puede hacer un
analisis PCA que nos ayuda a obtener las contribuciones (PFAM) más
importantes en nuestro set de datos, es decir, aquellas familias de
proteinas que mejor explican la variación de nuestros datos.
La función que ofrece rbims es get_subset_pca. Usa tres argumentos
indispensables: la tabla de abundancias (proveniente de read_interpro),
el valor de contribución, el tipo de análisis/atributo que estamos
utilizando y el tipo de pca a realizar (sobre individuos, variables o
ambos).
important_PFAMs_ind<-get_subset_pca(tibble_rbims=interpro_PFAM_profile_T,
cos2_val=0.98,
analysis="Pfam",
pca = "Individual")
head(important_PFAMs_ind)## # A tibble: 6 × 6
## Pfam domain_name APAlg APMar APOce PolalgTG
## <chr> <chr> <int> <int> <int> <int>
## 1 PF00501 AMP-binding enzyme 14 17 4 18
## 2 PF00126 Bacterial regulatory helix-turn-helix prot… 15 34 5 17
## 3 PF03466 LysR substrate binding domain 14 35 5 15
## 4 PF07963 Prokaryotic N-terminal methylation motif 18 15 0 15
## 5 PF02771 Acyl-CoA dehydrogenase, N-terminal domain 22 20 1 23
## 6 PF00441 Acyl-CoA dehydrogenase, C-terminal domain 26 24 2 24
3.HEATMAP El argumento de la distancia.
Rbims puede generar heatmaps, con los resultados obtenidos anteriormente, podemos graficar los resultados. La funcion tiene las siguientes opciones: tibble_ko: el subset que acabamos de generar y_axis: el valor que se graficara en el eje y (Pfam/Interpro). Todos los valores del eje x corresponden a los individuos (bins). analysis: una tabla proveniente de las funciones read. Corresponde al análisis utilizado para la anotación. scale_option: una opcion para indicarle si las filas o columnas deberian escalarse. Los valores válidos son: “none” “row” “column”. color_pallet: (opcional) un vector de caracteres indicando la paleta de colores. distance: (optional) si es TRUE calculará cómo se podrian agrupar los bins de acuerdo con las similitudes dentro de la caracteristica deseada (PFAM).
plot_heatmap(important_PFAMs_ind,
y_axis=Pfam,
analysis = "INTERPRO",
scale_option = "none",
distance = T)distance: (optional) si es FALSE mostrará las abundancias de la caracteristica deseada (PFAM) en todos los bins y cómo se agrupan.
plot_heatmap(important_PFAMs_ind,
y_axis=Pfam,
analysis= "INTERPRO",
scale_option = "none",
distance = F)4.PLOT BUBBLE Rbims puede representar los datos en forma de burbujas a través de la función plot_bubble. Los argumentos son similares que en el heatmap.
tibble_ko: la tabla el subset que acabamos de generar x_axis: corresponde al eje x, puede tomar cualquier valor de las columnas de metabolismo. y_axis: corresponde al eje y, puede tomar cualquier valor de las columnas de metabolismo. calc: el tipo de cálculo que realizará rbims, los valores válidos son: Abundance y Binary. analysis: una tabla proveniente de las funciones read. Corresponde al análisis utilizado para la anotación. data_experiment: (opcional), una base de metadatos. color_character: (opcional), corresponde a alguna columna de metadatos o caracteristica del metabolismo. order_bins: (opcional), un vector indicando el orden en el que aparecerán los bins. order_metabolism: (opcional), un vector indicando el orden en el que aparecerá la caracteristica deseada (pfam/Interpro ID). color_pallet: (opcional) un vector de caracteres indicando la paleta de colores. range_size: un vector numerico indicando el rango de tamaño de los puntos. x_labs: (opcional). Da el nombre al eje x. y_labs: (opcional). Da el nombre al eje y. text_x: (opcional). Un vector numerico que indica el tamaño del texto en el eje x. text_y: (opcional). Un vector numerico que indica el tamaño del texto en el eje y.
metadata <- read_xlsx("../meta.xlsx")
plot_bubble(important_PFAMs_ind,
y_axis=Pfam,
x_axis=Bin_name,
calc = "Binary",
analysis = "INTERPRO",
data_experiment = metadata,
color_character = Bin_name)5.VÍAS ESPECÍFICAS Rbims ofrece una función que permite hacer un subset de vías metabolicas específicas. Esto le permite amoldarse a la pregunta de investigación. Para este ejemplo, usaremos la funcion read_interpro nuevamente para recuperar todos los datos de abundancias de los IDs de Interpro.
interpro_INTERPRO_profile<-read_interpro(data_interpro =
"../Datos_rbims/Interpro/",
database="INTERPRO", profile = T)
head(interpro_INTERPRO_profile)## # A tibble: 6 × 6
## INTERPRO domain_name APAlg APMar APOce PolalgTG
## <chr> <chr> <int> <int> <int> <int>
## 1 IPR037401 SnoaL-like domain 11 1 1 11
## 2 - - 2824 3231 483 2677
## 3 IPR032710 NTF2-like domain superfamily 17 5 1 26
## 4 IPR000391 Ring-hydroxylating dioxygenase beta subu… 2 0 0 10
## 5 IPR029044 Nucleotide-diphospho-sugar transferases 24 23 2 31
## 6 IPR027417 P-loop containing nucleoside triphosphat… 184 265 58 189
Nos interesan las proteinas que están involucradas con la degradación de hidrocarburos. Buscando directamente en la pagina web de la base de datos encontramos lo siguiente:
alkane_degradation <- c("IPR033885", "IPR048133","IPR012078","IPR003430")
alkane_INTERPRO<-get_subset_pathway(interpro_INTERPRO_profile,
type_of_interest_feature=INTERPRO,
interest_feature=alkane_degradation)
head(alkane_INTERPRO)## # A tibble: 3 × 6
## INTERPRO domain_name APAlg APMar APOce PolalgTG
## <chr> <chr> <int> <int> <int> <int>
## 1 IPR033885 Alkane/xylene monooxygenase 5 1 1 9
## 2 IPR003430 Propane/methane/phenol/toluene hydroxyla… 0 2 0 2
## 3 IPR012078 Methane/phenol monooxygenase, hydroxylas… 0 1 0 1
1.RECUPERANDO DATOS DE KEGG A PARTIR DE INTERPRO Esta funcion solo es apta si corriste tu anotación con interpro con la opción –pathway. De esta forma rbims puede recuperar los IDs de KEGG (dentro de interpro) y mapear las rutas metabólicas de nuestros datos, a pesar de no haber hechi anotaciones con KEGG.
Nota: Los datos que usamoas en este taller no contienen los identificadores de KEGG, pero el workflow luce asi:
1.Comenzamos leyendo nuestro output de KEGG en una tabla que calcula las abundancias
H_interpro_KEGG_long<-read_interpro(data_interpro = "../Datos_rbims/Interpro/",
database="KEGG")
head(interpro_KEGG_long)2.#Mapeamos las rutas metabolicas de KEGG y la informacion asociada:
3.Usamos los recursos graficos de rbims: Importante, debemos cambiar el analysis a KEGG, porque el data frame se encuentra disrtribuido así, a pesar de haber empezado con la anotación de interpro.
plot_heatmap(tibble_ko = interpro_map,
data_experiment = metadata,
y_axis = KO,
order_y = Module,
order_x = Sample_site,
split_y = TRUE,
analysis = "KEGG",
calc="Abundance")1.ANÁLISIS DE KEGG A TRAVÉS DE RBIMS
Comenzaremos leyendo nuestros datos y mapeando contra la base de datos de KEGG, con la función read_ko y mapping_ko. Esta función permite recuperar detalles de las rutas metabólicas y realizar un cálculo de las abundancias encontradas en nuestro set de datos.
## # A tibble: 6 × 4
## Scaffold_name Bin_name KO Abundance
## <chr> <chr> <chr> <int>
## 1 APAlg_scaffold_7180000000006|quiver_5 APAlg K01118 3
## 2 APAlg_scaffold_7180000000006|quiver_7 APAlg K01626 3
## 3 APAlg_scaffold_7180000000006|quiver_12 APAlg K17290 1
## 4 APAlg_scaffold_7180000000006|quiver_13 APAlg K05565 1
## 5 APAlg_scaffold_7180000000006|quiver_14 APAlg K05566 1
## 6 APAlg_scaffold_7180000000006|quiver_16 APAlg K05568 1
mapping_ko
## # A tibble: 6 × 17
## Module Module_description Pathway Pathway_description Cycle Pathway_cycle
## <chr> <chr> <chr> <chr> <chr> <chr>
## 1 <NA> <NA> <NA> <NA> <NA> <NA>
## 2 M00022 Shikimate pathway, pho… map004… Phenylalanine, tyr… <NA> <NA>
## 3 M00022 Shikimate pathway, pho… map011… Metabolic pathways <NA> <NA>
## 4 M00022 Shikimate pathway, pho… map011… Biosynthesis of se… <NA> <NA>
## 5 M00022 Shikimate pathway, pho… map012… Biosynthesis of am… <NA> <NA>
## 6 M00022 Shikimate pathway, pho… map020… Quorum sensing <NA> <NA>
## # ℹ 11 more variables: Detail_cycle <chr>, Genes <chr>, Gene_description <chr>,
## # Enzyme <chr>, KO <chr>, rbims_pathway <chr>, rbims_sub_pathway <chr>,
## # APAlg <int>, APMar <int>, APOce <int>, PolalgTG <int>
Para continuar es importante leer los metadatos.
2.EL SUBSET DE RUTAS METABÓLICAS
Rbims contiene una función específica para detallar el análisis de rutas metabolicas. Lo hace a traves de la función get_subset_pathway. La funcion utiliza los siguientes argumentos: mapped_ko_table: una tabla proveniente de la función mapping_ko. type_of_interest_feature: alguna columna con atributos importantes para el análisis. Esta columna se usara para hacer los subconjuntos. interest_feature: un vector con los atributos de interés para el análisis. Serán encontrados a través de su comparación con type_of_interest_feature.
Overview<-c("Naphthalene degradation","Carbon fixation",
"Methane metabolism")
Energy_metabolisms<-ko_mapp %>%
drop_na(Cycle) %>%
get_subset_pathway(Cycle, Overview)
head(Energy_metabolisms)## # A tibble: 6 × 17
## Module Module_description Pathway Pathway_description Cycle Pathway_cycle
## <chr> <chr> <chr> <chr> <chr> <chr>
## 1 M00088 Ketone body biosynthes… map000… Fatty acid degrada… Carb… Hydroxypropi…
## 2 M00088 Ketone body biosynthes… map000… Fatty acid degrada… Carb… Dicarboxylat…
## 3 M00095 C5 isoprenoid biosynth… map000… Fatty acid degrada… Carb… Hydroxypropi…
## 4 M00095 C5 isoprenoid biosynth… map000… Fatty acid degrada… Carb… Dicarboxylat…
## 5 M00373 Ethylmalonyl pathway map000… Fatty acid degrada… Carb… Hydroxypropi…
## 6 M00373 Ethylmalonyl pathway map000… Fatty acid degrada… Carb… Dicarboxylat…
## # ℹ 11 more variables: Detail_cycle <chr>, Genes <chr>, Gene_description <chr>,
## # Enzyme <chr>, KO <chr>, rbims_pathway <chr>, rbims_sub_pathway <chr>,
## # APAlg <int>, APMar <int>, APOce <int>, PolalgTG <int>
3.PLOT BUBBLE Rbims puede representar los datos en forma de burbujas a través de la función plot_bubble. Los argumentos son similares que en el heatmap.
tibble_ko: la tabla el subset que acabamos de generar x_axis: corresponde al eje x, puede tomar cualquier valor de las columnas de metabolismo. y_axis: corresponde al eje y, puede tomar cualquier valor de las columnas de metabolismo. calc: el tipo de cálculo que realizará rbims, los valores válidos son: Abundance y Binary. analysis: una tabla proveniente de las funciones read. Corresponde al análisis utilizado para la anotación. data_experiment: (opcional), una base de metadatos. color_character: (opcional), corresponde a alguna columna de metadatos o caracteristica del metabolismo. order_bins: (opcional), un vector indicando el orden en el que aparecerán los bins. order_metabolism: (opcional), un vector indicando el orden en el que aparecerá la caracteristica deseada (pfam/Interpro ID). color_pallet: (opcional) un vector de caracteres indicando la paleta de colores. range_size: un vector numerico indicando el rango de tamaño de los puntos. x_labs: (opcional). Da el nombre al eje x. y_labs: (opcional). Da el nombre al eje y. text_x: (opcional). Un vector numerico que indica el tamaño del texto en el eje x. text_y: (opcional). Un vector numerico que indica el tamaño del texto en el eje y.
plot_bubble(tibble_ko = Energy_metabolisms,
x_axis = Bin_name,
y_axis = Cycle,
analysis="KEGG",
calc="Abundance",
data_experiment = metadata,
color_character = order,
range_size = c(2,10),
y_labs=FALSE,
x_labs=FALSE) 4.HEATMAP
Rbims puede generar heatmaps, con la tabla obtenida anteriormente, podemos graficar los resultados. La funcion tiene las siguientes opciones: tibble_ko: el subset que acabamos de generar y_axis: la variable que se graficará en el eje y (KO, Pathway, Modules). El eje x no se puede modificar, corresponde a la variable de los individuos (MAGs/bins). calc: el tipo de cálculo que realizará rbims, los valores válidos son: Abundance, Binary y Percentage. data_experiment: (opcional), una tabla de metadatos. analysis: una tabla proveniente de las funciones read. Corresponde al análisis utilizado para la anotación. scale_option: una opcion para indicarle si las filas o columnas deberian escalarse. Los valores válidos son: “none” “row” “column”. order_y: es el argumento para ordenar mas detalladamente los valores de las filas (Pathway, Cycle, KO). order_x: es el argumento para odernar mas detalladamente las variables de individuos (MAGs/bins) en columnas. split_y: valor lógico que indica si se desea partir el eje y basandose en el argumento order_y. color_pallet: (opcional) un vector de caracteres indicando la paleta de colores.
plot_heatmap(tibble_ko = Energy_metabolisms,
y_axis = Pathway_cycle,
data_experiment = metadata,
order_y = Cycle,
order_x = order,
split_y = T,
analysis = "KEGG",
calc="Abundance")5.OTRO EJEMPLO CON KEGG: UNA VÍA
policyclic_aromatic_degradation <- c("map00624")
hydrocarbon_degradation <- ko_mapp %>%
drop_na (Pathway) %>%
get_subset_pathway(Pathway, policyclic_aromatic_degradation)
head(hydrocarbon_degradation)## # A tibble: 6 × 17
## Module Module_description Pathway Pathway_description Cycle Pathway_cycle
## <chr> <chr> <chr> <chr> <chr> <chr>
## 1 M00534 Naphthalene degradatio… map006… Polycyclic aromati… <NA> <NA>
## 2 M00534 Naphthalene degradatio… map006… Polycyclic aromati… <NA> <NA>
## 3 M00534 Naphthalene degradatio… map006… Polycyclic aromati… <NA> <NA>
## 4 M00534 Naphthalene degradatio… map006… Polycyclic aromati… <NA> <NA>
## 5 M00638 Salicylate degradation… map006… Polycyclic aromati… <NA> <NA>
## 6 <NA> <NA> map006… Polycyclic aromati… <NA> <NA>
## # ℹ 11 more variables: Detail_cycle <chr>, Genes <chr>, Gene_description <chr>,
## # Enzyme <chr>, KO <chr>, rbims_pathway <chr>, rbims_sub_pathway <chr>,
## # APAlg <int>, APMar <int>, APOce <int>, PolalgTG <int>
Graficamos:
plot_bubble(tibble_ko = hydrocarbon_degradation,
x_axis = Bin_name,
y_axis = KO,
analysis="KEGG",
calc="Abundance",
data_experiment = metadata,
color_character = order,
range_size = c(1,10),
y_labs=FALSE,
x_labs=FALSE) plot_heatmap(tibble_ko=hydrocarbon_degradation,
y_axis = KO,
data_experiment = metadata,
order_y = Module,
order_x = order,
split_y = T,
analysis = "KEGG",
#scale_option = "row",
calc="Abundance")¡PUEDE SER SORPRENDENTEMENTE DETALLADO!
1.ANALISIS DE DBCAN A TRAVÉS DE RBIMS
El análisis de dbCAN usando rbims comienza con la lectura de la anotación con la funcion read_dbcan3.
## Warning: Expected 1 pieces. Additional pieces discarded in 202 rows [1, 2, 3, 4, 5, 6,
## 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, ...].
## [1] "Input Genes = 548"
## [1] "Remained Genes after filtering = 227"
## [1] "Percentage of genes remained = 41%"
## [1] "Number of genes with signals = 46"
## [1] "Number of genes with signals that passed filtering = 46"
De igual forma que con read_interpro, se pueden generar dos perfiles, uno ligeramente mas extenso que el otro. Esto se logra con el argumento del perfil.
## Warning: Expected 1 pieces. Additional pieces discarded in 202 rows [1, 2, 3, 4, 5, 6,
## 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, ...].
## [1] "Input Genes = 548"
## [1] "Remained Genes after filtering = 227"
## [1] "Percentage of genes remained = 41%"
## [1] "Number of genes with signals = 46"
## [1] "Number of genes with signals that passed filtering = 46"
2.Obtenemos las familias mas importantes. La función PCA
important_dbcanFAMs<-get_subset_pca(tibble_rbims=dbcan_FAMs_profile_T,
cos2_val=0.98,
analysis= "dbCAN",
pca = "Both")## Contribution of the first dimention is higher than 0.97.
## if the data frame has 0 observations, try a different cos value.
3.Graficando: Heatmap (argumento de distancia = T)
plot_heatmap(important_dbcanFAMs,
y_axis = dbCAN_fam,
analysis = "dbCAN",
scale_option = "none",
distance = T)(argumento de distancia = F)
plot_heatmap(important_dbcanFAMs,
y_axis= dbCAN_fam,
analysis= "dbCAN",
scale_option = "none",
distance = F)4.Graficando: Plot bubble
metadata <- read_xlsx("../meta.xlsx")
plot_bubble(important_dbcanFAMs,
y_axis=dbCAN_fam,
x_axis=Bin_name,
calc = "Abundance",
analysis = "dbCAN",
data_experiment = metadata,
color_character = Bin_name)## Warning: Removed 82 rows containing missing values or values outside the scale range
## (`geom_point()`).