You can not select more than 25 topics Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
wangshangzi 5233c97f0c first commit 1 year ago
docker first commit 1 year ago
report first commit 1 year ago
tasks first commit 1 year ago
test first commit 1 year ago
README.md first commit 1 year ago
defaults first commit 1 year ago
inputs first commit 1 year ago
workflow.wdl first commit 1 year ago

README.md

Author: Huang Yechao

E-mail:1721070009@fudan.edu.cn

Git: http://choppy.3steps.cn/huangyechao/target-germline.git

Last Updates: 16/1/2019

安装指南

# 激活choppy环境
source activate choppy-latest
# 安装app
choppy install LiXiangNan/hrd_score

App概述

描述App解决了什么问题,适用范围与局限性。

示例:

流程与参数

此模块详细描述App包含的流程与参数,请参考流程描述参考示例

参数指封装的软件所用到的参数,参数罗列可参考:

软件解决问题的思路

自研软件需要增加此模块内容,用于描述解决问题的思路。

App输入变量与输入文件

自定义文件格式的务必给出文件格式的详细说明,如下链接所示:文件格式描述参考示例

输入变量是指定义在App中允许用户修改的值,可通过以下命令输出:

choppy samples <app_name>

此外,choppy支持定义默认值,App用户可通过以下命令修改defaults文件中定义的值。

choppy config --app-name <app_name> --key <key> --value <value>

App开发者定义在App中的变量,可同时在App的defaults文件中预设默认值。defaults文件是一个json文件,如下所示:

{
    "var_1": "value_1"
}

App输出文件

输出文件务必给出文件格式的详细说明以及示例,如下链接所示:文件格式描述参考示例

结果展示与解读

GSEA结果解读示例:

1. Enrichment score(ES)

ES是GSEA最初的结果,反应全部杂交data排序后,在此序列top或bottom富集的程度。 ES原理:扫描排序序列,当出现一个功能集中的gene时,增加ES值,反之减少ES值,所以ES是个动态值。最终ES的确定是讲杂交数据排序序列所在位置定义为0,ES值定义为距离排序序列的最大偏差.

  • ES为正,表示某一功能gene集富集在排序序列前方
  • ES为负,表示某一功能gene集富集在排序序列后方。 图中的最高点为此通路的ES值,中间表示杂交数据的排序序列。竖线表示此通路中出现的芯片数据集中的gene。

2. NES

由于ES是根据分析的数据集中的gene是否在一个功能gene set中出现来计算的,但各个功能gene set中包含的gene数目不同,且不同功能gene set与data之间的相关性也不同,因此,比较data set在不同功能gene set中的富集程度要对ES进行标准化处理,也就是NES NES=某一功能gene set的ES/数据集所有随机组合得到的ES平均值 NES是主要的统计量。

3. FDR

NES确定后,判断其中可能包含的错误阳性发现率。FDR=25%意味着对此NES的确定,4次可能错 1次。GSEA结果中,高亮显示FDR<25%的富集set。因为从这些功能gene中最可能产生有意义的假设,促进进一步研究。大多数情况下,选FDR<25%是合适的,但是,假如分析的芯片data set较少,选择的是探针随机组合而不是表型组合,若p不严格,那么应该选FDR<5%。一般而言,NES绝对值越大,FDR值就越小,说明富集程度高,结果可靠。

4. 名义p值 nominal p-value

描述的是针对某一功能gene子集得到的富集得分的统计显著性,显然,p越小,富集性越好。

以上4个参数中,只有FDR进行了功能gene子集大小和多重假设检验矫正,而p值没有,因此,如果结果中有一个高度富集的功能gene子集,而其有很小的名义p-value和大的FDR意味着富集并不显著。

我的一个具体结果解读:

92/681 gene sets are upregulated in PH 0 gene sets are significantly enriched at FDR<25% 1 gene sets are significantly enriched at n p-value <1% 1 gene sets are significantly enriched at n p-value <5%

在选择的BP中,有681个gene sets,92个PH中上调,其中75%的正确率支持0条子集上调,1个BP的gene表达上调名义p值<0.01。总体结果并不理想。

5. 备注

GSEA富集结果太少说明:

无gene set被富集。可能是因为分析的样本太少,关注的生物信息太微弱,或正在分析的功能集不能很好代表你所关心的生物过程,但仍然可以看下top ranked gene sets,这些信息可能会为你的假说提供微弱的证据。当然也可以尝试考虑分析其他gene sets,或增加samples

GSEA富集结果太多说明:

太多的功能子集被富集了。可能是因为很多的gene sets代表同一生物信号,这可以在gene sets中查看leading edge sbusets来查看。或者也可以查看具体区别进行加工,比如samples来自不同labs,操作者不一样等。

CHANGELOG

CHANGELOG参考示例:

FAQ

FAQ参考示例: