Pipeline — Analisi Bioinformatica (Script raccolti)

Questo repository raccoglie una serie di script Python utili per processare risultati di Mass Spectrometry e generare liste pronte per analisi funzionali e visualizzazioni (preranked, filtraggio conta[...] Di seguito trovi una versione ristrutturata e più leggibile della guida all'uso, con i mini-capitoli evidenziati in grassetto e titoli più grandi.

---

Indice

• Panoramica
• Requisiti
• Struttura e scopo degli script
  • 1 — GENERAZIONE LISTA DA FILE MASS SPEC
  • 2 — RIMOZIONE CONTAMINANTI
  • 3 — GENERAZIONE LISTE UNIVOCHE
  • 4 — ORA su GO + GRAFICO DOTPLOT
  • 5 — GRAFICO VENN
• Formati input / output
• Contatti / Licenza

---

Panoramica

Questo set di script è pensato per essere usato passo‑passo:

1. Generare una lista "preranked" a partire da file mass‑spec grezzi.
2. Rimuovere contaminanti comuni.
3. Ottenere liste specifiche per condizione.
4. Eseguire analisi di arricchimento funzionale (ORA) e plottare i risultati.
5. Generare diagrammi di Venn per confronti tra insiemi.

---

Requisiti

• Python 3.8+
• Pacchetti Python principali: pandas, tkinter, pathlib, numpy
• Per plotting / ORA (script 4/5): gseapy, matplotlib_venn, seaborn
• Nota: gli script attuali usano tkinter per aprire dialog di selezione file.

---

Struttura e scopo degli script

1 — GENERAZIONE LISTA DA FILE MASS SPEC

• Scopo: creare una lista preranked (GENE[TAB]SCORE) a partire da file mass spec (.txt, .csv, .xlsx).
• Algoritmo (riepilogo):
  • Legge il file riga per riga, individua righe con header di proteina (pattern tr| o sp| nella prima colonna) ed estrae GN=<gene>.
  • Dalla riga prende la sequenza peptidica (assume colonna index 2) e l'E-value (assume colonna index 4).
  • Per ogni peptide prende il miglior (minore) E-value, calcola -log10(best_evalue) e somma per gene/proteina.
  • Applica un limite minimo di E-value a 1e-12 per evitare -log10(0).
  • Output: file tab-separated con righe GENE<TAB>SCORE ordinate per score decrescente (score con 4 decimali).
• Input supportati: .xlsx, .csv, .txt (tab).
• Nota pratica: se le colonne peptide/E-value sono in posizioni diverse, modificare gli indici nello script.

---

2 — RIMOZIONE CONTAMINANTI

• Scopo: filtrare via proteine comunemente considerate contaminanti (actine, tubuline, cheratine, emoglobine, albumina, immunoglobuline, HSP, ribosomiali, ecc.).
• Come funziona:
  • Accetta file .txt o .xls/.xlsx con colonne GENE / SCORE (o due colonne Excel).
  • Normalizza i nomi dei geni in uppercase e confronta con una lista interna di contaminanti.
  • Produce due file nella stessa cartella:
    • <input_stem>_filter.txt → lista pulita (proteine mantenute);
    • <input_stem>_filter_out.txt → lista dei contaminanti rimossi.
• Output: file testo con GENE[TAB]SCORE (o solo GENE se score non presente).

---

3 — GENERAZIONE LISTE UNIVOCHE

• Scopo: identificare proteine/gene specifiche di ciascuna lista tra un insieme di liste (es. condizioni).
• Come funziona:
  • Carica più file selezionati (.txt o .xlsx) trasformandoli in dict {GENE: score} (se manca lo score, usa 0).
  • Per ogni lista calcola i geni presenti solo in quella lista (non nelle altre).
  • Salva per ogni input un file chiamato <input_stem>_specific.txt con le proteine specifiche ordinate per score decrescente.
• Nota: i geni vengono convertiti in uppercase per confronto.

---

4 — ORA su GO + GRAFICO DOTPLOT

• Scopo: eseguire Over‑Representation Analysis (GO) e produrre un dotplot.
  • Mapping gene IDs (simboli o UniProt) a database GO tramite gseapy.
  • Scelta del background (universe): es. intero proteoma murino o lista definita dall'utente.
  • Output: tabelle con termini significativi (p-value, FDR) + figura dotplot (png/pdf).
• Verificare lo script per parametri configurabili: numero di termini mostrati, ontologie (BP/MF/CC), FDR threshold.

---

5 — GRAFICO VENN

• Scopo: creare diagrammi di Venn per confrontare insiemi/proteine tra condizioni.
• Input tipico: file con liste univoche (output del passo 3) o più file ognuno rappresentante un set.
• Pacchetti comuni: matplotlib_venn (Python) o alternative in R (VennDiagram, eulerr).
• Output: immagine (.png/.pdf) e (opzionale) tabelle con le intersezioni.

---

Formati input / output consigliati

• File mass-spec: .txt (tab), .csv, .xlsx — assicurarsi di conoscere quali colonne contengono peptide e E-value.
• File preranked / output script 1: tab-separated text file con GENE<TAB>SCORE senza intestazione.
• File filtrati: stesso formato (nomi in uppercase consigliati).
• File per Venn/ORA: liste di geni (una per riga) o file con due colonne (GENE, SCORE) se richiesto dallo script.

---

Informazioni aggiuntive

• La lista di contaminanti è inclusa direttamente nello script 2: modificabile per esperimento e specie in esame.
• Gli script attualmente sono interattivi (usano dialog di tkinter) — è relativamente semplice adattarli per esecuzione da CLI con parametri.

---

Contatti / Licenza

• Autore: Lorenzo Zammariello (account github: LorenzoZam)
• Licenza MIT, disponibile nella repository