Code source stage M1 COOLKIT

Les scripts du stage peuvent être découpés en trois catégories, par ordre d'exécution :

0. Formatage des données

• GEM2Net.table.R : permet d'enrichir le tableau de données d'expression de GEM2Net (Gene_Swap_NO_NA.dat) avec les métadonnées de SONATA_Ordres_ML.txt. Permet production de GEM2Net_data.txt (17341 colonnes = gènes, + 3 colonnes métadonnées (SWAP_ID, project ID, stress) et 387 lignes = échantillons).

1. Création des Gene Sets (GO SLIM et analyse différentielle)

• A. Analyse_diff.Rmd : analyse différentielle, package limma, à partir GEM2Net_table.R. Production liste des gènes DEG par stress pour les 9 stress abiotiques.

• B. subsets_GOSLIM_diff.R :

  • à partir Gene_Swap_NO_NA.dat, SONATA_Ordres_ML.txt et ATH_GO_GOSLIM.txt, construction des Gene Sets GO SLIM, 10 GO SLIM plus un random set (variables début de script : GOSLIM = termes dans ATH_GO_GOSLIM, names_output = noms sortis des fichiers et size = taille random set),

  • à partir listes des gènes, construction des Gene Sets signature de stress pour les 9 stress abiotiques. (fichiers .txt commençant par DEG...)

2. Analyses des données

A. Analyse exploratoire

• ACP_kmean.Rmd : Pour chaque Gene Set GO SLIM, échantillons abiotiques, génère ACP (label : project ID, coloration : stress) et kmean (screeplot clusters + ACP (label : project ID, coloration : cluster))

• boxplot_samples.Rmd : Pour chaque Gene Set GO SLIM, génère boxplot via ggplot2 des données d'expressions pour les 9 stress abiotiques puis les 9 biotiques en regroupant par stress.

• prediction.Rmd : Essais fonctin predict() FactoMineR sur les données ACP pour Gene Set rythme circadien.

• report_(a)biotic.Rmd : Pour 9 stress (a)biotiques, upset plot général des Gene Set GO SLIM. Pour chaque Gene Set : * ACP (individus, inertie, contribution, distribution top 5 contributeurs), * BCA (globale, par stress)

• result_deg_uv_necro.Rmd : Même sorties que report_(a)biotic.Rmd mais pour les deux fichiers avec les gènes DEG spécifiquement pour UV (stress abiotiques) ou Necrotrophic Bacteria (stress biotiques) retirés.

• tests_abiotic.Rmd : Script brouillon, première exploration. Problématique des valeurs extrêmes. Génère notamment : * L'ACP des individus de l'ensemble des données scaled, avec ou sans label. * L'ACP des individus des données scaled rythme circadien, * Le screeplot de l'ACP sur les 17341 gènes, * Les effectifs des stress biotiques et abiotiques, * Des boxplots (comparaison scaled/non scaled, couleurs pour des valeurs extrêmes, des stress surprenant, des lignes remarquables sur ACP)

• upset_signature.R : Prends en entrée les fichiers signatures de stress et génère upset plot correspondant.

B. Classifications

• LDA_multisamples.Rmd :

  Analyse discriminante linéaire, à partir table_data.txt, génère 10 sets d'échantillons stratifiés aléatoire. Calculs pour chaque gene set <200 gènes (6 fichiers) LDA pour les 10 sets. Les sorties sont pour chaque gene set :

  • matrice probabilités moyennées sur 10,
  • stacked barplot des probabilités pour chaque stress,
  • comparaison probabilité d'attribution correcte ACP vs données d'expression,
  • comparaison probabilité d'attribution correcte One-vs-all vs Multisamples

  En figures bilan, nous avons :

  • Les heatmap de confiance de prédiction et proportions d'échantillons bien classées,
  • L'upset plot des fichiers d'entrées
  • Les stacked barplot pour chaque stress

• LDA_multisamples_ACP.Rmd, LDA_oneversusall.Rmd, LDA_onevesusall_PCA.Rmd :

  Ces scripts génèrent reprennent les mêmes sorties globalement que LDA_multisamples.Rmd sans comparaison des méthodes. Ce sont les scripts propres à chaque méthode.

• PLS-DA.Rmd :

  Mêmes sorties que pour la LDA pour deux méthodes de calculs de distance PLS-DA.

C. PLIER

• PLIER.Rmd :

  Application de la stratégie PLIER. Se découpe en plusieurs étapes.

  • Récupération Pathways :

    Plusieurs fichiers : ara_pathways.20210325.txt (AraCyc), les GO SLIM, package KEGGAPI. Sortie graphique indice de Jaccard (Heatmap, histogramme distribution)

  • Modèle :

    Le chunk du calcul du modèle est commenté. Les résultats sont stockés dans load(plierResult). Il en ressort :

    *la matrice U pour LV significatives,

    • le summary PLIER LV significatives,
    • Les ACP LV significatives vs not significatives,
    • Les boxplots d'expression de chaque LV sig pour stress abiotiques,
    • ANOVA (pas significative)

  • MultiPLIER :

    GEOquery pour récupérer données photosynthèse. Transformation matrice expression pour intégrer noms gènes. Nouvelle matrice B (LV/Pathways x Samples). Génère Heatmap nouvelle matrice pour LV sig (Warning : LV sig rentrées à la main) et plot line correspondant.