帮助

在任何时候，记住你可以访问任何功能的帮助文件。cisTarget ?)，以及包中的其他教程，使用以下命令:

#在web浏览器中探索教程:browseVignettes(package="RcisTarget") #基于普通行的:vignette(package="RcisTarget") #列表vignette("RcisTarget") #打开

报告

要生成带有自己的数据和注释的HTML报告，可以使用.Rmd文件(即复制.Rmd文件，并将其编辑为R笔记本在RStudio)。

vignetteFile <- paste(file.path(system. path))file('doc'， package='RcisTarget'))， "RcisTarget. file('doc'， package='RcisTarget')Rmd"， sep="/") #复制编辑为markdown文件。复制(vignetteFile， ".") #替代方案:提取R代码Stangle(vignetteFile)

Gene-motif排名

每对基因基序的评分可以使用不同的参数进行。因此，我们提供多个数据库(motif-rankings，或其他选择:镜子)，根据以下几种可能性:

• 种:输入基因集的种。适用范围:人类(智人)、小鼠(小家鼠)或苍蝇(果蝇)
• 评分/搜索空间:确定转录起始位点(TSS)周围的搜索空间。可用值:TSS上游500bp, TSS周围5kbp或10kbp(例如TSS上游10kbp和下游10kbp)。
• 为基序评分时考虑的同源物种数量(如区域保护)。可选值:7种或10种

如果您不知道选择哪个数据库，对于基因列表的分析，我们建议使用上游TSS 500bp，以及更大的搜索空间(例如:kbp TSS + / 5或kbp TSS + / -10)，共有7种。当然，选择人类，老鼠或苍蝇取决于你输入的基因列表。

对于其他设置(例如:新物种)，你可参阅有关如何使用的指南创建数据库．

每个数据库存储在一个.feather文件。请注意，下载大小通常超过1GB(人类区域数据库为100GB)，我们建议下载文件zsync_curl’(见帮助下载)．

例如，在R中下载:

featherURL <- "https://resources.aertslab.org/cistarget/databases/homo_sapiens/hg19/refseq_r45/mc9nr/gene_based/hg19-tss-centered-10kb-7species.mc9nr.feather" download。文件(羽毛url, destfile=basename(羽毛url)) #保存在当前目录

有了.feather文件之后，就可以加载它们了importRankings ()：

#搜索空间:10k bp around TSS - HUMAN motifRankings <- importRankings("hg19- TSS - centric -10kb-7species. mc9nn .feather") #加载注释到人类转录因子数据(motifAnnotations_hgnc)

主题的注释

RcisTarget执行的所有计算都是基于主题的。然而，大多数用户将对可能调节基因集的tf感兴趣。motif与转录因子的关联在一个独立的文件中提供。除了由源数据库注释的主题(即。直接注释)，我们也有推断出基于基序相似性和基因词形的进一步注释(例如，与其他基因的相似性注释到基序上)。这些注释通常与函数一起使用cisTarget ()或addMotifAnnotation ()．

对于排名的“mc9nr”版本中的motifs(24453个motifs)，这些注释已经包含在RcisTarget包中，可以用命令加载:

#鼠标:# data(motifAnnotations_mgi) # human: data(motifAnnotations_hgnc) motifAnnotations_hgnc[199:202，]

## motif TF directAnnotation inferred_Orthology inferred_MotifSimil ## 1: bergman__tin NKX2-8 FALSE TRUE TRUE ## 2: bergman__tll DUX4 FALSE FALSE TRUE TRUE ## 3: bergman__tll NR2E1 FALSE TRUE FALSE ## 4: bergman__usp RXRA FALSE TRUE FALSE ##标注源## 1:inferredBy_MotifSimilarity_n_Orthology ## 2: inferredBy_MotifSimilarity ## 3: inferredBy_Orthology ## 4: inferredBy_Orthology ##描述## 1:该基因与D. melanogaster中的FBgn0261930同源(identity = 39%)，该基因为相似基序bergman__vnd ('vnd';q-value = 0.000831) ## 2:基因为类似motif transfac_pro__M06988 ('V$DUX4_01: DUX4';q-value = 0.000745) ## 3:基因与D. melanogaster中直接标注motif的FBgn0003720 (identity = 41%)同源## 4:基因与D. melanogaster中直接标注motif的FBgn0003964 (identity = 45%)同源

对于其他版本的排名，函数importAnnotations允许从源文件导入注释。

这些注释可以很容易地查询，以获得有关特定主题或tf的进一步信息:

motifAnnotations_hgnc[(directAnnotation==TRUE) & (TF %in% c("HIF1A"))，]

## motif TF directAnnotation inferred_Orthology ## 1: cisbp__M3388 HIF1A TRUE FALSE ## 2: cisbp__M3389 HIF1A TRUE FALSE ## 3: cisbp__M3390 HIF1A TRUE FALSE ## 4: cisbp__M3391 HIF1A TRUE FALSE ## 5: cisbp__M6275 HIF1A TRUE FALSE ## 6: hocomoco__hif1a_human . h11o .0. c HIF1A TRUE FALSE ## 7: homer__TACGTGCV_HIF-1a HIF1A TRUE FALSE ## 8: swissregulon__hs__HIF1A。## 9: transfac_pro__M00797 HIF1A TRUE FALSE ## 11: transfac_pro__M00976 HIF1A TRUE FALSE ## 12: transfac_pro__m002012 HIF1A TRUE FALSE ## 13: transfac_pro__M02378 HIF1A TRUE FALSE ## 14: transfac_pro__M07043 HIF1A TRUE FALSE ## 15: transfac_pro__M07384 HIF1A TRUE FALSE ## inferred_MotifSimil注释源描述## 1:FALSE直接注释基因## 2:## 3:直接标注基因## 4:直接标注基因## 5:直接标注基因## 6:直接标注基因## 7:直接标注基因## 8:直接标注基因## 9:直接标注基因## 10:11:直接标注基因## 12:直接标注基因## 13:直接标注基因## 14:直接标注基因## 15:直接标注基因

#来自Bioconductor if (!requireNamespace("BiocManager"， quiet =TRUE)) install.packages("BiocManager") BiocManager::install(" rcistarget .hg19. motifdb . cisbponly .500bp")

library(rcistarget .hg19. motifdb . cisbpony .500bp) #排行数据(hg19_500bpUpstream_motifRanking_cispbOnly) motifRankings <- hg19_500bpUpstream_motifRanking_cispbOnly motifRankings .500bp

## RcisTarget排名。##生物:人类(hg19) ##基因数量:22284(22285个完整数据库可用)## MOTIF数量:4687 ## **此数据库包括排名高达5050 ## ##子集(4.6k cisbp motifs)的人类数据库评分motifs上游500bp的TSS (hg19-500bp-upstream-7species.mc9nr)

#标注数据(hg19_motifAnnotation_cisbpOnly) motifAnnotations_hgnc <- hg19_motifAnnotation_cisbpOnly

1.计算浓缩

估计基因集上每个基序的过度表示的第一步是计算每对基序-基因集的曲线下面积(AUC)。这是根据基因集在motif排序上的恢复曲线计算的(基因的排序随着motif接近度的降低，如motifRanking数据库所提供的那样)。

motifs_AUC <- calcAUC(geneLists, motifRankings, nCores=1)

AUC是由GeneSets提供的motif矩阵。原则上，AUC主要是作为下一步的输入。然而，也可以探索分数的分布，例如在感兴趣的基因集中:

auc <- getAUC(motifs_AUC)["hypoxia"，] hist(auc, main="hypoxia"， xlab=" auc直方图"，breaks=100, col="#ff000050"， border="darkred") nes3 <- (3*sd(auc)) + mean(auc) abline(v=nes3, col="red")

2.选择重要的主题和/或注释到tf

重要图案的选择是基于归一化富集分数(NES)。NES是根据基因集所有基序的AUC分布计算的[(x-mean)/sd]。那些超过给定阈值(默认为3.0)的主题被认为是重要的。

此外，这一步还允许添加注释到主题的tf。

motifEnrichmentTable <- addMotifAnnotation(motifs_AUC, nesThreshold=3, motifAnnot=motifAnnotations_hgnc, highlightTFs=list(hypoxia="HIF1A"))

类(motifEnrichmentTable)

##[1] "数据。表”“data.frame”

暗(motifEnrichmentTable)

## [1] 17 8

头(motifEnrichmentTable[,“TF_lowConf”= FALSE))

## geneSet motif NES AUC highlightedTFs TFinDB ## 1:缺氧cisbp__M6275 4.41 0.0966 HIF1A ## 2:缺氧cisbp__M0062 3.57 0.0841 HIF1A ## 3:缺氧cisbp__M6279 3.56 0.0840 HIF1A ## 4:缺氧cisbp__M6212 3.49 0.0829 HIF1A ## 5:缺氧cisbp__M2332 3.48 0.0828 HIF1A ## 6:缺氧cisbp__M0387 3.41 0.0817 HIF1A ## TF_highConf ## 1: HIF1A (directAnnotation)。## 2: ## 3: HMGA1 (directAnnotation)。## 4: EPAS1 (directAnnotation)。## 5: ## 6:

被认为是高/低自信的文献可以用论点加以修改motifAnnot_highConfCat而且motifAnnot_lowConfCat．

3.鉴定每个Motif富集程度最好的基因

由于RcisTarget在基因列表中搜索一个母题的富集，发现一个“富集”的母题并不意味着富集所有该基序在基因列表中的基因得分较高。通过这种方式，工作流程的第三步是识别(基因集中的)哪些基因对于每个重要基序是高排序的。

鉴定这些基因有两种方法:(1)与iRegulon和i-cisTarget中使用的方法相当(方法= " iCisTarget "，如果运行时间不是问题，建议使用)，以及(2)基于在每个秩上使用平均值的近似分布的更快实现(方法=“大约”，用于扫描多个基因集)。

重要提示:确保motifRankings是同步骤1．

motifEnrichmentTable_wGenes <- addSignificantGenes(motifEnrichmentTable, rankings=motifRankings, geneSets=geneLists)

## [1] 5050

暗(motifEnrichmentTable_wGenes)

## [1] 17 11

一些主题的情节:

geneSetName <- "hypoxia" selectedMotifs <- c("cisbp__M6275"， sample(motiftable $motif, 2)) par(mfrow=c(2,2)) getSignificantGenes(geneLists[[geneSetName]]， motifRankings, signifRankingNames=selectedMotifs, plotCurve=TRUE, maxRank=5000, genesFormat="none"， method="aprox")

## [1] 5050