1) Rappel de la liste des questions préparées par DPT et envoyées par mail le 24/10/14

Transcription

1 Projet SAMOGWAS Partenariat LINA-INSERM Compte-rendu réunion IR3 lundi 27 octobre 2014 à 9H30 à l'inserm Historique S1 lundi 13 janvier 2014 S2 mercredi 12 février 2014 S3 vendredi 04 avril 2014 S4 lundi 30 juin 2014 IR1 mercredi 24 septembre 2914 à l'inserm IR2 lundi 20 octobre 2014 à l'inserm Objectifs identiques à IR2 résoudre les difficultés de compréhension de la lecture des scripts GO-STRING, TFBS et GRAIL destinés à combiner une approche intégrative aux stratégies GWAS basées sur le modèle FLTM développé au LINA et sur le modèle T-Trees développé à GIGA-R Compte-rendu rédigé le 28/10/14 par Christine Sinoquet, selon compte-rendu mail par DTP du 28/10/14 et mails échangés DTP-PFB Présents : Duc-Thanh Phan, Pierre-François-Busson, DTP PFB 1) Rappel de la liste des questions préparées par DPT et envoyées par mail le 24/10/14 A. Pour STRING-GO 1. Dans le fichier d'entrée "liste_cnvs_patho.txt", lorsqu'on spécifie les régions, est-ce qu'il faut préciser le champ décrivant la pathologie "patho". Si c'est le cas, comment faire? 2. Si la méthode "direct" est spécifiée, comment choisir pour "maxdistance"? Quelle est la différence entre "direct" et "shortest" 3. Est-ce que PFB peut fournir la liste de protéines concernées de RAC? 4. Nous n'arrivons pas à trouver l'endroit où la base de données "STRING_interaction.txt" est utilisée. Où est cet endroit? B. TFBF 1. Selon les derniers messages échangés, il faut utiliser "tfbs_find.r" pour trouver les TFBS à partir des régions. Ensuite, il faut mettre ces TFBS trouvés par ce script dans le fichier params.txt? Est-ce exact? 1/6

2 2. Concernant ce fichier "params.txt", est-il correct que la 1ère ligne corresponde à la pathologie et le reste corresponde aux TFBS comme suit: - pathologie - TFBS-1 - TFBS TFBS-N C. GRAIL 1. Quel est le rôle du fichier "mirna_test.txt"? Comment peut-on l'obtenir? Ou bien peut-on le court-circuiter? (est-ce possible?)? 2. Dans le fichier "selection_mirna.r", la partie: genes <- getbm( attributes = c("entrezgene","refseq_mrna","external_gene_id"), filters = "refseq_mrna", values = mir2$refseqid, mart = mart) génère l'erreur "Attribute 'external_gene_id' not found in dataset default.hsapiens_gene_ensembl" Si on remplace "external_gene_id" par "external_gene_name" ça fonctionne, est-ce que c'est correct? 2) Réponse de PFB (mail du 24/10/14) A - 1. Je ne suis pas sûr de bien comprendre ta demande... En principe dans le script, si tu veux travailler sur toutes les pathologies à la fois, tu entres "all" en paramètre. Mais si j'ai bien compris, dans SAMOGWAS il n'y a pas besoin de faire la distinction donc tu peux supprimer du script tout ce qui concerne ça La méthode "direct" correspond à la page 14 de la présentation que je t'avais envoyée, et la méthode "shortest" à la page 15. Dans "direct" on compte simplement le nombre de protéines en interaction directe avec la cible. Dans "shortest", on considère pour chaque protéine des régions, le "plus court chemin" vers la protéine cible, et on fait la somme des "distances" ainsi obtenues sur toutes les protéines des régions. 3. Non. Les analyses RAC sont en cours de notre côté aussi, et ne sont pas très concluantes pour le moment, c'est pour ça qu'on essaie d'améliorer la qualité du génotypage. Donc nous n'avons même pas d'idées de gènes cibles susceptibles d'avoir une influence sur le phénotype. J'essaierai d'en reparler à Christian et Jean-Jacques qui sont respectivement en vacances et très occupés pour le moment. 4. C'est dans le fichier protlist.txt que le script lit la base à utiliser. Chaque ligne est de la forme "base identifiant_gene/proteine". Dans ton cas, "base" doit donc être "GO" ou "STRING", et dans le premier cas, l'identifiant doit être de la forme "NM_xxxxxxx", et dans le second cas de la forme "9xxxxxx". Ensuite je demande la méthode que je veux dans le script, entre "direct" et "shortest" si STRING est la base requise, sinon "gene" si c'est GO qu'on utilise. 5. La base STRING_interaction étant lourde à ouvrir en R, je sélectionne dedans (ligne 68 de README.sh) spécifiquement les lignes correspondant à la protéine cible. 2/6

3 B - 1. Oui, c'est ça. Cependant, le script find_tfbs.r retourne la liste *complète* des TF trouvés! Il faut donc sélectionner uniquement les plus fréquents pour les mettre dans le fichier params.txt. On en prenait entre 3 et 5 environ, en général. Exemple : si on considère 15 régions, si les fréquences sont {14, 14, 14, 14, 14, 13, 12, 12...} on prend tous les "14" ; si les fréquences sont {15, 15, 14, 13, 13, 12, 11, 11...} on prend de 15 à 13 ; et si les fréquences sont {15, 14, 13, 7, 6, 3, 3...} on prend de 15 à Exactement. C - 1. Le fichier mirna_test.csv donne une liste d'arnm pour lesquels on veut connaître l'intensité d'association avec les mots-clés. Dans le cas du travail que j'avais fait, c'est un biologiste qui nous avait fourni la liste. Donc pour SAMOGWAS, il y a probablement plusieurs solutions : demander à l'utilisateur de fournir la liste, ou se baser sur des résultats préliminaires du logiciel (analyses effectuées avant) pour la former... C'est à discuter avec Christine et Christian. On peut court-circuiter la liste, mais ça implique de calculer la somme totale des poids pour TOUS les ARNm Oui, à première vue c'est correct d'utiliser "external_gene_name". Le package semble avoir été mis à jour le 22 octobre, ils ont peut-être changé ce nom de variable... 3) Demande complémentaire à la réunion IR3, de DPT à PFB (mail du 28/10/14) Contexte : - scripts commençant à s'exécuter chez le partenaire LINA - mais difficultés à installer tout ce qui est nécessaire (par example slurm, un package pour faire tourner le script en mode "cluster") - demande de rédaction d'une documentation permettant de préciser pour chacun des scripts: + les prérequis / dépendances (avec les versions et les instructions d'installation) + le mode d'utilisation des scripts + la description des entrées/sorties - demande de refactoring des scripts afin de les paramétrer et de supprimer le codage en dur, qui est la modalité actuelle et concerne actuellement la totalité des codes. 4) Documentation envoyée par PFB le 05/11/14 3/6

4 STRING/GO: ## DESCRIPTION : Ce script permet de realiser des permutations afin d'evaluer l'enrichissement statistique d'un terme GO (Gene Ontology) ou d'une proteine cible (issue de la base STRING) dans une liste de regions du genome. ## UTILISATION : - Modifier les valeurs des parametres dans le fichier "README.sh". - Executer le script dans la console. ## ENTREES : - Parametres dans README.sh : cnv_source chemin vers la liste des regions etudiees (chr pos_debut pos_fin patho) chr_source chemin vers la liste des chromosomes (chr taille_chr) ech echantillon a etudier : "all" pour tous, "patho" pour avoir plusieurs sousechantillons methode "gene" si la base utilisee est GO, "shortest" pour STRING en mode plus court chemin, "direct" pour STRING en mode interaction directe limdist {1..99} distance maximale consideree entre les proteines des regions et la proteine cible - Fichier protlist.txt :.Si la base utilisee est GO, il doit etre de la forme : GO NA.Si la base utilisee est STRING, il doit etre de la forme : STRING où est l'identifiant STRING d'une proteine d'interet. Ce fichier peut avoir plusieurs lignes, eventuellement avec les 2 bases ## SORTIES : - Un fichier run_report_[date]_[heure].txt, contenant un rapport de l'execution du script. - Base GO :.Un (ou plusieurs) fichier(s) res_permut_go_gene_na_[echantillon].txt, contenant pour chaque permutation le nombre de termes GO presents plus de fois que dans les donnees observees. [OBSOLETE].Un (ou plusieurs) fichier(s) res_terms_go_gene_na_[echantillon].txt, contenant pour chaque terme GO le nombre de permutations où ce terme est present plus de fois que dans les donnees observees. - Base STRING / methode "direct" :.Un (ou plusieurs) fichier(s) res_string_direct_[proteine_cible]_[echantillon].txt, contenant 4 colonnes : Identifiant de la proteine cible Nombre d'interactions directes avec la cible dans les donnees observees Sous-echantillon P-value - Base STRING / methode "shortest" :.Un (ou plusieurs) fichier(s) res_string_shortest_[proteine_cible]_[echantillon].txt, contenant 7 colonnes : Identifiant de la proteine cible Distance la plus courte entre les proteines des donnees observees et la proteine cible 1er quartile de la distance la plus courte entre les proteines des donnees permutees et la proteine cible Mediane de la distance la plus courte entre les proteines des donnees permutees et la proteine cible 3eme quartile de la distance la plus courte entre les proteines des donnees permutees et la proteine cible Sous-echantillon P-value 4/6

5 ## PREREQUIS : - Le script README.sh doit etre dans le meme dossier que les fichiers : make_permut.r, permutecnvs.job, res_permut.r - Les fichiers GeneHG19.txt, GO_IDs.txt et GO_terms.txt doivent etre accessibles pour utiliser GO - Les fichiers human_protein.ref.id.txt et STRING_interaction.txt doivent etre accessibles pour utiliser STRING - Les fichiers chromosomesize.txt, liste_cnvs_patho.txt et protlist.txt doivent etre accessibles dans tous les cas - Le script utilise le gestionnaire de parallélisation SGE, une modification mineure du script permettrait d'en utiliser d'autres TFBS : ## DESCRIPTION : Ce script permet de realiser des permutations afin d'evaluer l'enrichissement statistique d'un facteur de transcription (TF) dans une liste de regions du genome. ## UTILISATION : - Modifier le chemin vers le fichier contenant la liste des regions dans TFBS_find.R - Executer le script TFBS_find.R - Choisir dans la sortie de ce script la liste des TF a etudier et les ajouters au fichier param.txt - Executer le script README ## ENTREES : - Script TFBS_find.R :.Un fichier contenant la liste des regions d'interet, sous la forme : chr pos_debut pos_fin.le fichier de reference des sites de fixations des TF : tfbsconssites.txt - Script README :.Le fichier param.txt, contenant au moins 2 lignes : Identifiant de l'ã chantillon, sous-echantillon, pathologie, etc. a etudier Nom du TF a etudier On peut ajouter plusieurs lignes avec les noms de TF a ce fichier..un fichier contenant la liste des regions d'interet, sous la forme : chr pos_debut pos_fin.le fichier de reference des sites de fixations des TF : tfbsconssites.txt.le fichier contenant les tailles des chromosomes : chromosomesize.txt ## SORTIES : - Script TFBS_find.R :.Un fichier TFBS_found.txt, contenant la liste des TF dont des sites de fixation sont recouverts par les regions d'interet, ainsi que le nombre de regions dans lesquelles on les trouve, par ordre decroissant. - Script README :.Le script affiche a l'ecran la liste des TF selectionnes, le sous-echantillon et la p-value associee. ## PREREQUIS : - Les fichiers param.txt, permut_tf.job, permut_tf.r, res_permut.r, tfbsconssites.txt, chromosomesize.txt ainsi qu'un fichier contenant la liste des regions d'interet doivent se trouver dans le meme dossier que TFBS_find.R et README - Le package IRanges pour R (source bioconductor) est necessaire pour executer le script TFBS_find.R - Le script utilise le gestionnaire de parallã lisation Slurm, une modification mineure du script permettrait d'en utiliser d'autres GRAIL : ## DESCRIPTION : Script permettant, a partir d'une liste d'arnm et d'une liste de mots-cles, de donner un poids a chacun de ces ARNm en fonction de la prevalence de son association avec les mots-cles dans la litterature 5/6

6 scientifique. ## UTILISATION : - Indiquer le chemin vers le fichier contenant la liste des ARNm dans le script selection_mirna.r - Modifier la liste des mots-cles d'interet dans le script selection_mirna.r (variable wordlist) - Executer le script selection_mirna.r ## ENTREES : - La matrice gene - mots-cles - poids : gene_word_matrix_noautoref.rdata - Le fichier contenant la liste des ARNm, sous la forme : RefseqID;diff;wilcox_0;ttest (en theorie, seule la colonne RefseqID est necessaire, les autres colonnes permettent simplement de realiser une premiere selection sur la significativite d'une difference d'expression des differents ARNm entre plusieurs conditions biologiques) ## SORTIES : Un fichier selection_mirna.csv, contenant les memes colonnes que le fichier liste d'arnm en entree, avec une colonne de poids par mot-cle d'interet, et une colonne de poids global (somme de tous les autres poids). ## PREREQUIS : - La librairie R biomart est necessaire a l'execution du script. 6/6