Skip to content

Latest commit

 

History

History
127 lines (67 loc) · 11.3 KB

README.md

File metadata and controls

127 lines (67 loc) · 11.3 KB

HPOLabeler

如何运行？

注：请在开始下面步骤前，在~/.bashrc文件的最后一行加上：

export PYTHONPATH=${PYTHONPATH}:[HPOLabeler的目录位置]

第一步：预处理（Pre-processing）

  1. 从http://compbio.charite.de/jenkins/job/hpo.annotations.monthly/下载基因-HPO标注文件ALL_SOURCES_ALL_FREQUENCIES_genes_to_phenotype.txt到目录data/annotation/raw。然后，运行src/preprocessing/extract_gene_id.py以提取文件的第一列（即entrez gene id），并将其写入一个.txt文件。接着，上传该文件内容到Uniprot ID Mapping Tool (http://www.uniprot.org/mapping/)，选择选项From: Entrez Gene (Gene ID)和To: UniProtKB，然后点击Submit按钮。在新的窗口中，选择左栏的Filter by为Reviewed Swiss-Prot，并点击页面中间的Download按钮，选择Format: Tab-separated并点击Go下载映射文件。将映射文件放入data/annotation/intermediate中，并更名为gene2uniprot.txt。

  2. 运行src/preprocessing/create_annotation.py程序。程序将输出处理好的HPO标注文件。

  3. 重复上述两步，分别处理得到三个标注文件（比如2018-03-09、2019-04-15和2019-11-15）。

  4. 从https://bioportal.bioontology.org/ontologies/HP下载三个时期相对应的.obo文件，将其放在data/obo目录下。之后运行src/preprocessing/split_dataset.py。我们将得到：

    • 处理好的用于训练基础分类器的标注、用于训练排序学习的标注和用于测试的标注
    • 上面三个标注文件中的蛋白质标识符列表
    • 用来标注蛋白质的HPO term列表
    • 按照频率划分的各个小组内的HPO term列表

第二步：处理特征（Extracting Features）

STRING

  1. 打开https://string-db.org/，然后点击页面左上角的Version，在自动跳转到的新页面中选择合适的版本，并单击Address一栏中的链接。之后，点击新页面上方导栏的Download按钮，点击choose an organism下拉菜单，选择Homo sapiens。现在，点击INTERACTION DATA部分的9606.protein.links.XXX.txt.gz（XXX为版本），下载蛋白质互作数据。最后，点击ACCESSORY DATA部分的mapping_files (download directory)，进入ftp页面，点击uniprot_mappings/目录，下载属于人类（可能是开头为9606或者文件名中有human字样）的压缩文件。上述两个文件都下载至data/feature/STRING/raw目录下。

  2. 运行src/feature/STRING/string.py程序，得到在data/feature/STRING/clean目录下的json格式的文件。

GeneMANIA

  1. 从http://genemania.org/data/current/Homo_sapiens.COMBINED/下载COMBINED.DEFAULT_NETWORKS.BP_COMBINING.txt文件。然后再从http://genemania.org/data/current/Homo_sapiens/中下载identifier_mappings.txt文件。

  2. 运行src/feature/GeneMANIA/genemania.py，得到在data/feature/GeneMANIA/clean下的json格式文件。

BioGRID

  1. 从https://downloads.thebiogrid.org/BioGRID/Release-Archive中选取合适的版本，并点击链接进入。在新页面中下载BIOGRID-ALL-XXX.tab2.zip（XXX为版本号）。然后在https://downloads.thebiogrid.org/BioGRID/External-Database-Builds/中下载UNIPROT.tab.txt。这两个文件都放到data/feature/BioGRID/raw下。

  2. 运行src/feature/BioGRID/biogrid.py，得到在data/feature/BioGRID/clean下的json文件。

GO Annotation

  1. 首先，在https://www.ebi.ac.uk/GOA/downloads页面的Annotation Sets表格的Human一行中，点击某一个链接（若要下载当前最新数据，点击Current Files，否则点击Archive Files），然后下载合适版本的.gaf文件。

  2. 若要下载最新版的GO的.obo文件，可从http://geneontology.org/docs/download-ontology/中下载；若要下旧版，则可以从https://bioportal.bioontology.org/ontologies/GO下载。

  3. 运行src/feature/GO_annotation/go_annotation.py，得到在data/feature/GO_annotation/clean目录下的数据。

Trigram

  1. 将data/dataset/protein中的三个蛋白质标识符列表中所有的蛋白质标识符上传至https://www.uniprot.org/mapping/，并且选择From为UniProtKB AC/ID，To为UniProtKB，再点击Submit。在新页面中，点击页面中间的Download按钮，选择格式为FASTA (canonical)，点击Go。将下载得到的fasta序列文件放到data/feature/Trigram/raw中。

  2. 运行src/feature/Trigram/trigram.py，得到在data/feature/Trigram/clean中的输出文件。

InterPro

  1. 从http://ftp.ebi.ac.uk/pub/software/unix/iprscan/5/选择合适的InterProScan程序包下载。

  2. 进入下载后解压的目录内，以要查询的蛋白质的fasta文件为输入，运行InterProScan，得到程序匹配到的InterPro signatures的xml文件：

    ./interproscan.sh -i /path/to/sequences.fasta -b /path/to/output_file -f XML

  3. 运行src/feature/InterPro/interpro.py程序，处理上一步得到的原始xml文件，获得处理后的InterPro特征文件。

HumanNet

  1. 打开https://www.inetbio.org/humannet/download.php。选择Integrated Networks下的HumanNet-XN下载。将下载到的文件放在data/feature/HumanNet/raw中。

  2. 打开https://www.uniprot.org/uniprot/?query=*&fil=reviewed%3Ayes+AND+organism%3A%22Homo+sapiens+%28Human%29+%5B9606%5D%22。点击页面中部的Columns按钮，在新页面的Columns to be displayed中点击所有的虚线框右上角的叉号。之后在Add more columns栏目中部的Search:搜索框中输入GeneID，点击弹出的联想词。此时，单击最右侧的Save按钮。跳回到原来的页面，这时表格只剩下Entry和Cross-reference (GeneID)。点击页面中间的Download按钮，选择Format: Tab-separated，再点击Go按钮下载文件。将该文件重命名为entrez2uniprot.txt，放在data/feature/COXPRESdb/raw下。下载完毕后，在刚刚UniProt的页面中，再次点击Columns按钮，在新页面中点击右侧的Reset to default（注意：不要点击default这个单词，而点击Reset），之后再单击Save。这样UniProt界面恢复原来的样子。

  3. 运行src/feature/HumanNet/humannet.py，得到处理后的蛋白质关系网络。

HIPPIE

  1. 打开http://cbdm-01.zdv.uni-mainz.de/~mschaefer/hippie/download.php，并选择HIPPIE tab format下的合适版本进行下载。

  2. 打开https://www.uniprot.org/uniprot/?query=*&fil=reviewed%3Ayes+AND+organism%3A%22Homo+sapiens+%28Human%29+%5B9606%5D%22。点击页面中部的Columns按钮，在新页面的Columns to be displayed中点击除Entry name外所有的虚线框右上角的叉号，再单击最右侧的Save按钮。跳回到原来的页面，此时表格只剩下Entry和Entry name两列。点击页面中间的Download按钮，选择Format: Tab-separated，再点击Go按钮下载文件。将该文件重命名为uniprot_name2id.txt，放在data/feature/HIPPIE/raw下。下载完毕后，在刚刚UniProt的页面中，再次点击Columns按钮，在新页面中点击右侧的Reset to default（注意：不要点击default这个单词，而点击Reset），之后再单击Save。这样UniProt界面恢复原来的样子。

  3. 运行src/feature/HIPPIE/hippie.py，获得处理后的HIPPIE的PPI数据。

COXPRESdb

  1. 打开https://coxpresdb.jp/download/，点击> Show previous data。找到Species列为Human，Method列为R的行，下载这一行Gene correlation table列的.zip文件，将其放入data/feature/COXPRESdb/raw目录下。注意：请不要解压！

  2. 打开https://www.uniprot.org/uniprot/?query=*&fil=reviewed%3Ayes+AND+organism%3A%22Homo+sapiens+%28Human%29+%5B9606%5D%22。点击页面中部的Columns按钮，在新页面的Columns to be displayed中点击所有的虚线框右上角的叉号。之后在Add more columns栏目中部的Search:搜索框中输入GeneID，点击弹出的联想词。此时，单击最右侧的Save按钮。跳回到原来的页面，这时表格只剩下Entry和Cross-reference (GeneID)。点击页面中间的Download按钮，选择Format: Tab-separated，再点击Go按钮下载文件。将该文件重命名为entrez2uniprot.txt，放在data/feature/COXPRESdb/raw下。下载完毕后，在刚刚UniProt的页面中，再次点击Columns按钮，在新页面中点击右侧的Reset to default（注意：不要点击default这个单词，而点击Reset），之后再单击Save。这样UniProt界面恢复原来的样子。

  3. 运行src/feature/COXPRESdb/coxpresdb.py，获得处理后的共表达数据。

第三步：训练基础分类器（Basic Models）

Naive

  1. 运行src/basic/naive/naive.py，得到data/result/basic/naive内的输出文件。

Neighbor

  1. 注意设置配置文件里“network”一项的“type”，对于STRING和GeneMANIA，其设为“weighted”；对于BioGRID，则要设置为“unweighted”。

  2. 运行src/basic/neighbor/neighbor.py，得到保存在data/result/basic/neighbor中的预测结果。

Flat

  1. 运行src/basic/flat/flat.py，将各种处理得到的特征文件作为输入，训练Logistic Regression分类器，对用于排序学习的训练集和测试集进行预测，得到输出在data/result/basic/flat目录下的一系列预测结果文件。

第四步：排序学习（Learning to Rank）

  1. 将第三步中得到的一系列预测分数作为输入，即配置文件中的"result"部分。注意：请务必保证这一部分的"ltr"和"test"的列表内的文件顺序是一致的！

  2. 注意合理调节配置文件中"model_param"部分的max_depth值、"fit_param"部分中的num_boost_round和early_stopping_rounds以及"top"中的取值。

  3. 运行src/ensemble/ltr/ltr.py程序，得到最终的预测结果。

第五步：评估（Evaluation）

  1. 将要评估的预测结果的文件路径添加在配置文件的"result"部分。

  2. 运行src/utils/evaluation.py，程序将会显示各个预测结果在各个子本体上的

    • Fmax：以蛋白质为中心的评估指标
    • AUC：以HPO term为中心的评估指标，即每个HPO term的AUC的平均值
    • AUPR：整体的评估指标，即以一对蛋白质-HPO term为实例进行计算的AUPR
    • 每个按频率划分的HPO term小组内的平均AUC