Vous allez utiliser des outils informatiques qui vous permettront d’analyser des données brutes issues d’une analyse Shotgun Proteomics récemment publiée dans le journal Science sous le titre "Real-time visualization of drug resistance acquisition by horizontal gene transfer reveals a new role for AcrAB-TolC multidrug efflux pump".
Les données associées à cette publication sont publiques et accessibles sur la plateforme PRIDE. Le PDF de la publication est data/Nolivos_2019.pdf.
Vous forkerez le présent "repository" pour vous permettre de sauvegarder votre travail.
Vous le clonerez ensuite dans votre espace de travail.
Vous éditerez ce fichier README.md pour répondre aux questions dans les encarts prévus à cet effet et inserer les figures que vous aurez générées. Ce "repository" vous appartenant, vous pouvez créer tous les repertoires et fichiers necessaires à la conduite du TP.
Seul le langage Python (v3.X) est requis pour ce travail. Il vous est conseillé d'installer un environnement virtuel python pour installer les libraries requises independamment de votre systèmes d'exploitation.
- Le systême de gestion de paquets Conda est très pratique et disponible pour la plupat des systèmes d'exploitation. Une version légère suffisante pour nos besoin est téléchargeable ici
- Si vous disposez d'un interpreteur python 3.X installé sur votre systême virtualenv est désormais "built-in" (cf. Procédure virtualenv).
Depuis le repertoire de votre repository Git, installez le package scipy et lancez jupyter.
$PATH_TO_CONDA_DIR/bin/conda install -c conda-forge scipy notebook matplotlib
$PATH_TO_CONDA_DIR/bin/jupyter notebookCréer l'environnement virtuel.
python -m venv MADP_TP
Activer l'environnement virtuel et installer les packages.
source MADP_TP1/bin/activate
pip install --user ipykernel scipy notebook matplotlib
Une "appliance" IFB a été préparée avec les dépendances Python requises.
Elle est accessible ici.
Jupyter vous permettra d'ouvrir des terminaux SHELL et des notebook Python.
Le repertoire racine de Jupyter est /mnt/mydatalocal/
Il peut être pratique d'ajouter votre environnement à Jupyter. Cela se réalise depuis l'environnement (conda ou venv) activé.
python -m ipykernel install --user --name=MADP_TP
Jupyter est une environnement de type notebook permettant l'exécution de code python dans des cellules avec une persitance des variables entre chaque évaluation de cellule. Jupyter fournit nativement le support de la librarie graphique matplotlib.
Dans l'interface de jupyter, créez un nouveau fichier notebook (*.ipynb) localisé dans votre repertoire git. Dans la première cellule copiez le code suivant:
%matplotlib inline
import matplotlib.pyplot as plt
import numpy as np
from scipy.stats import normLa première ligne sert à activer le rendu graphique, pour tout le fichier notebook. Pour dessiner des graphiques, il vous est conseillé de suivre la méthode illustrée par le code suivant que vous pouvez executer dans une deuxième cellule notebook.
fig, ax = plt.subplots()
x = np.linspace(norm.ppf(0.01),
norm.ppf(0.99), 100)
ax.plot(x, norm.pdf(x),
'r-', lw=5, alpha=0.6)
ax.plot(x, np.full(len(x), 0.2),
'b-', lw=1)
fig.show()- Creation des objets
figetax - Ajout successif de graphiques sur la même figure par l'appel à des methodes de l'objet
ax - Affichage de la figure complète via
fig.show() - Evaluation de la cellule pour visualisation dans la cellule de résultats.
L'affichage dans la cellule de rendu du notebook devrait confirmer la bonne installation des dépendances.
La documentation matplotlib est bien faite, mais attention il vous est demandé, pour la construction des graphiques, d'ignorer les méthodes de l'objet plt (frequemment proposées sur le net) et d'utiliser uniquement les méthodes de l'objet Axes. plt est un objet global susceptible d'agir simultanement sur tous les graphiques d'un notebook. A ce stade, son utilisation est donc à éviter.
Un fichier data/TCL_wt1.tsv contient les données d'abondances differentielles mesurées sur une souche sauvage d'Escherichia coli entre deux conditions: avec Tetracycline et en milieu riche. Le contrôle est le milieu riche.
| Accession | Description | Gene Symbol | Corrected Abundance ratio (1.53) | Log2 Corrected Abundance Ratio | Abundance Ratio Adj. P-Value | -LOG10 Adj.P-val |
|---|---|---|---|---|---|---|
| Accesseur Uniprot | Texte libre | Texte libre |
Attention certaines valeurs numériques sont manquantes ou erronées, constatez par vous même en parcourant rapidement le fichier.
Les fiches de toutes les protéines de E.coli sont stockées dans un seul document XML data/uniprot-proteome_UP000000625.xml. Nous allons extraire de ce fichier les informations dont nous aurons besoin, à l'aide du module de la librarie standard XML.etree. Pour vous facilitez la tâche, les exemples suivants vous sont fournis. Prenez le temps de les executer et de les modifier dans un notebook. Vous vous familliariserez ainsi avec la structure du document XML que vous pouvez egalement inspecter dans un navigateur.
from xml.etree.ElementTree import parse, dump
# Parse the E.Coli proteome XML Document
tree = parse('data/uniprot-proteome_UP000000625.xml')
root = tree.getroot()
ns = '{http://uniprot.org/uniprot}' # MANDATORY PREFIX FOR ANY SEARCH within document
# Store all entries aka proteins in a list of xml nodes
proteins = root.findall(ns + 'entry')
# Display the xml subtree of the first protein
dump(proteins[0])# Find the xml subtree of a protein with accession "P31224"
for entry in proteins:
accessions = entry.findall(ns+"accession")
for acc in accessions:
if acc.text == "P31224":
dump(entry)
breakLes nombres d'occurences de tous les termes GO trouvés dans le protéome de E.coli sont stockés dans le fichier data/EColiK12_GOcounts.json. Ces statistiques ont été dérivées du fichier data/uniprot-proteome_UP000000625.xml.
- Manipuler les données experimentales tabulées
- Representer graphiquement les données d'abondance
- Construire la pvalue des fonctions biologiques (termes GO) portées par les protéines surabondantes
- Visualiser interactivement les pathways plus enrichis.
La lecture des données au format tabulé est l'occasion de se familliariser avec la librairie pandas.
La fonction read_csv accepte différents arguments de format de données très utiles.
df = pandas.read_csv()Quel est le type de l'objet df?
Que permettent les méthodes suivantes?
values = df[['Description', 'Gene Symbol']]Quel est le type de values ?
Verifiez si certaines méthodes de DataFrame lui sont applicables.
Ce type supporte l'accès par indice et les slice [a:b]
On peut accéder aux valeurs du DataFrame via des indices ou plages d'indice. La structure se comporte alors comme une matrice. La cellule en haut et à gauche est de coordonnées (0,0).
Il y a différentes manières de le faire, l'utilisation de .iloc[slice_ligne,slice_colonne] constitue une des solutions les plus simples. N'oublions pas que shape permet d'obtenir les dimensions (lignes et colonnes) du DataFrame.
Le type des valeurs d'une colonne peut être spécifiée:
- à la lecture
pandas.read_csv('data/TCL_wt1.tsv', sep="\t", dtype = {'Accession': str, 'Description': str, 'Gene Symbol': str,
'Corrected Abundance ratio (1.53)': np.float, 'Log2 Corrected Abundance Ratio': np.float,
'Abundance Ratio Adj. P-Value: (127. T3 Tc WT) / (126. T0 WT)': np.float, '-LOG10 Adj.P-val': np.float})- modifiée à la volée
df = df.astype({'Log2 Corrected Abundance Ratio': float, '-LOG10 Adj.P-val': float } )On peut specifier la chaine de caractères correspondant au valeurs "incorrectes" produites par excel comme-ci
pandas.read_csv('data/TCL_wt1.tsv', sep="\t", na_values="#VALEUR!")La méthode loc permet de selectionner toutes les lignes/colonnes respectant certaines contraintes
- Contraintes de valeurs continues
df.loc[(df['-LOG10 Adj.P-val'] > 0 ) & (df['Log2 Corrected Abundance Ratio'] > 0.0 ) ]- Contraintes de valeurs discrètes
df.loc[ df['Gene Symbol'].isin(['fadR', 'arcA'] ) ]1. Charger le contenu du fichier data/TCL_wt1.tsv dans un notebook en eliminant les lignes porteuses de valeurs numériques aberrantes
3. A partir de cette échantillon de ratio d'abondance, estimez la moyenne 
et l'ecart-type 
d'une loi normale.
4. Superposez la densité de probabilité de cette loi sur l'histogramme. Attention, la densité de probabilité devra être mis à l'echelle de l'histogramme (cf ci-dessous)
# _ est le vecteur des valeurs d'abondance
fig, ax = plt.subplots()
hist = ax.hist(_, bins=100) # draw histogram
x = np.linspace(min(_), max(_), 100) # generate PDF domain points
dx = hist[1][1] - hist[1][0] # Get single value bar height
scale = len(_)*dx # scale accordingly
ax.plot(x, norm.pdf(x, mu, sigma)*scale) # compute theoritical PDF and draw it
A l'aide de la méthode scatter representer  = f(\text{Log}_2(\text{abundance ratio})))
Sont condidérées comme surabondantes les proteines remplissant ces deux critères:
Nous allons implementer une approche ORA (Over Representation Analysis) naive.
Quelles sont leurs identifiants UNIPROT ?
Les entry du fichier data/uniprot-proteome_UP000000625.xml présentent des balises de ce type:
<dbReference type="GO" id="GO:0005737">
<property type="term" value="C:cytoplasm"/>
<property type="evidence" value="ECO:0000501"/>
<property type="project" value="UniProtKB-SubCell"/>
</dbReference>Pour vous aider à obtenir la liste des termes GO des protéines surabondantes, voici la fonction getAccessionGOTerms(xml_file, uniprotID)
qui extrait du fichier de protéome uniprot xml fourni en 1er argument les termes GO portés par la protéine au code uniprot fourni en deuxième argument.
from xml.etree.ElementTree import parse, dump
def getAccessionGOTerms(xmlFile, accession):
tree = parse(xmlFile)
root = tree.getroot()
ns = '{http://uniprot.org/uniprot}'
match_go_terms = []
proteins = root.findall(ns + 'entry')
for entry in proteins:
accessions = entry.findall(ns+"accession")
current_accessions = [ acc.text for acc in accessions ]
if not accession in current_accessions:
continue
goTerms = entry.findall('{http://uniprot.org/uniprot}dbReference[@type="GO"]')
#goTerms = xmlEntry.findall(ns +'dbReference[@type="GO"]')
for goT in goTerms:
gID = goT.attrib['id']
gName = goT.find(ns +'property[@type="term"]').attrib['value']
match_go_terms.append((gID, gName))
break
return match_go_terms
getAccessionGOTerms("./data/uniprot-proteome_UP000000625.xml", "P0A8V6")A l'aide de cette fonction, il devrait être possible de construire le dictonnaire des termes GO de toutes les protéines surabondantes précedemment identifiées. Ce dictionnaire pourrait être de la forme suivante:
{'GO:0005829': {'ID' : 'GO:0005829',
'name' : 'C:cytosol',
'carried_by': ['P0A8V6', 'P0A9Q1', 'P02358', 'P0ACF8', 'P62399', 'P76344']
},
'GO:0003677': {'ID' : 'GO:0003677',
'name' : 'F:DNA binding',
'carried_by': ['P0A8V6', 'P0ACF8']
}
}Vous implémenterez la construction de ce dictionnaire et ainsi stockerez, pour la suite de l'analyse, les représentations des termes GO parmi les protéines surabondantes.
Nous évaluerons la significativité de la présence de tous les termes GO portés par les protéines surabondantes à l'aide d'un modèle hypergéometrique.
Si k protéines surabondantes porte un terme GO, la pvalue de ce terme sera équivalente à .
Completer le tableau ci-dessous avec les quantités vous semblant adéquates pour modeliser la pvalue de chaque pathway [termes GO]
| Symboles | Paramètres | Quantités Biologiques |
|---|---|---|
| k | nombre de succès observés | |
| K | nombre de succès possibles | |
| n | nombre d'observations | |
| N | nombre d'elements observables |
A l'aide du contenu de data/EColiK12_GOcounts.json parametrez la loi hypergeometrique et calculez la pvalue
de chaque terme GO portés par les protéines surabondantes. Vous reporterez ces données dans le tableau ci-dessous
| identifiant GO | définition | occurence | pvalue |
|---|---|---|---|
Quelle interpretation biologique faites-vous de cet enrichissement en termes GO ?
Dans le menu de gauche, sélectionner 'Multiple proteins'.
Copier-coller les identifiants Uniprot des protéines sur-exprimées et spécifier l'organisme 'Escherichia coli K-12".
Valider le mapping produit par STRING en clickant sur 'Continue'.
Combien d'interactions contient ce réseau ?
Faire varier les paramètres de visualisation du réseau dans 'Settings' pour afficher le réseau fonctionnel ou physique avec différents indices de confiance.
Combien d'interactions sont supportées par chaque source ('Textmining', 'Experiments', 'Databases','Co-expression', 'Neighborhood', 'Gene Fusion', 'Co-occurence') ?
Hint: l'onglet Analysis, donne accès aux nombre des interactions du réseau.
Consulter la rubrique 'Network Stats' dans l'onglet Settings.
Que peut-on en conclure sur les interactions de ce petit ensemble de protéines ?
Afin de replacer ces protéines dans le contexte du réseau d'interaction global de E. coli, ajouter les interacteurs de la première et de la deuxième couche.
Que pouvez-vous en déduire sur les mécanismes activés par la présente de tétracycline ?
Consulter l'analyse de sur-représention des termes GO présents dans l'onglet 'Analysis'. Est-ce cohérent avec votre analyse précédente ?
Le format (MITAB) stocke des paires de protéines en interaction. Dans ce format, chaque colonne porte une information spécifique.
Une description du format est disponible ici.
Les données d'interactions impliquant les protéines surreprésentées de l'expérience ont été obtenues depuis la base de données Intact.
Ces données sont mises à votre disposition dans le fichier data/proteins.mitab.
Vous extrairez du fichier les paires d'identifiants uniprot des protéines en interaction.
Ces paires de protéines constituent un réseau d'interaction protéine-protéine que vous allez dessiner à l'aide de la libraire networkx. Le code suivant vous est fourni à titre d'exemple.
%matplotlib inline
import matplotlib.pyplot as plt
import networkx as nx
G = nx.Graph()
fig, ax = plt.subplots(figsize=(8, 8))
G.add_edge('a', 'b')
G.add_edge('e', 'b')
G.add_edge('e', 'a')
pos = nx.spring_layout(G)
nx.draw(G, pos, with_labels=True, node_color=['blue','blue','red'] , node_size=2000)
Les positions des noeuds sont paramétrables au travers de l'objet layout. Une fois une première représentation du réseau obtenue, affinez celle-ci afin de:
- colorier dans une couleur spécifique uniquement les protéines surabondantes dans l'expérience.
- Écrire les identifiants uniprot dans les noeuds du réseau.
- colorier les protéines appartenant à des classes GO communes.
- Faire du diamètre des noeuds une fonction du nombre de partenaires protéiques.