Closed yvandenb closed 6 years ago
From David: Je suis en train de voir pour alléger les fichiers ref de "number of MS/MS observations in a tissue", peux tu me dire ce que je dois retirer des fichiers ? Je peux déjà retirer les isoformes j'imagine, mais étant donné qu'il n'y a déjà que les protéines humaines dans le fichier je ne suis pas sur de ce que je dois retirer d'autre.
A partir des fichiers rapatriés par une requête PeptideAtlas, par exemple pour "Human Blood plasma":
QUERY PA to retrieve human build 2018 by tissue:
atlas_build_id=472 (build 2018)
organism_id=2 (homo sapiens)
sample_category_id=13 (Blood plasma)
https://db.systemsbiology.net/sbeams/cgi/PeptideAtlas/GetPeptides?atlas_build_id=472&display_options=ShowMappings&organism_id=2&sample_category_id=13&QUERY_NAME=AT_GetPeptides&output_mode=tsv&apply_action=QUERY
Le fichier que tu récupères possède un header à plusieurs colonnes: celles qui sont d'interet sont :
Col B: peptide_sequence (la seq du peptide qui matche la proteine identifiée)
Col C: biosequence_name (l'identifiant de la protéine; sont reportés les identifiants Uniprot, Ensembl et Refseq; les seuls qui t'interessent sont les Uniprot canonique (tu peux donc effectivement retirer les identifiants Uniprot contenant un tiret (par ex. O75882-2) qui sont les isoformes)
Col E: n_observations (c'est nbre de fois où le peptide a été vu par MS/MS)
Maintenant comme une protéine peut être identifiée par plusieurs peptides différents, et comme l'outil renvoit à l'utilisateur une valeur globale pour la protéine, il faut donc sommer la valeur en Col E associée à chaque peptide appartenant à la même protéine; dans l'exemple ci-dessous:
la protéine "P04424" a été identifiée par 5 peptides distincts vu chacun un certain nombre de fois; le nombre total d'observations MS/MS pour cette protéine sera donc la somme de la colonne "n_observations" soit 4074
Ainsi en supprimant les identifiers "non-Uniprot" et les ids "Uniprot-isoform"; puis pour chaque identifiant Uniprot, en calculant le nbre total d'observations, tu devrais pouvoir réduire drastiquement le nbre de ligne de chaque fichier
Merci c'est beaucoup plus clair, je garde seulement les uniprot id du coup ? Je peux retirer tout ce qui est ensembl id etc ?
Nous avons fait le choix d'Uniprot comme point d'entrée pour cet outil => donc oui :-)
J'ai modifié l'outil ainsi que le data manager pour utiliser des fichiers pré-processés. L'étape de pré-process est faite directement dans le data manager, j'ai adapté le script R pour qu'il utilise ces nouveaux fichiers. L'étape de calcul pour cet outil est maintenant bien plus rapide (pour les deux ids de l'exemple, ça prend moins d'une minute avec les 7 tissues).
Les fichiers PeptideAtlas downloades (après query cgi du site peptideatlas.org) sont à l'échelle peptidique (chaque peptide observes pour une prot donnée est compté et reporté par prot => plsuierus lignes pour une même prot! ) demande de post-processer ce fichier une fois rapatrié pour ramener le nombe à l'echelle de la proteine (et non de chaque peptide) et que le tool utilise ce fichier résultant et non l'originelle pour exclure de l'outil l'étape de calcul du nbre d'obs/prot et le rendre plus performant - merci Timing ASAP