实操 - peakPantheR

在翻译了 peakPantheR 后，我想按照它的教程在自己的电脑上走一遍，以便了解其中的命令细节。

1. R包安装

1.1. 软件包安装

设置镜像仓库，并将一些镜像的源替换成国内的，以便加速下载

# 设置镜像仓库
setRepositories(ind=1:4)
# int数值对应的镜像仓库
# 1: + CRAN
# 2: BioC software
# 3: BioC annotation
# 4: BioC experiment
# 5: BioC extra
# 6: + CRAN (extras)
# 7: Omegahat
# 8: R-Forge
# 9: rforge.net

# 更换镜像源（清华）：国内来说，下载就能更快
options("repos" = c(CRAN="https://mirrors.tuna.tsinghua.edu.cn/CRAN/"))
options(BioC_mirror="https://mirrors.tuna.tsinghua.edu.cn/bioconductor")

先安装一些依赖包

# 安装BiocInstaller
install.packages("BiocInstaller")

# 安装依赖薄mzR
install.packages("mzR")

# 安装依赖包MSnbase
install.packages("MSnbase")

从GitHub直接安装peakPantheR的开发版本：

# 安装devtools
install.packages("devtools")

# 用devtools从GitHub安装peakPantheR
devtools::install_github("phenomecentre/peakPantheR")

安装 faahKO 包，这个包提供了一组MS光谱（MS spectra），我们可以使用它作为原始数据进行peakPantheR注释
```
# 安装faahKO
install.packages('faahKO')
```

1.2. 安装错误解决 - Linux

我在Linux系统中部署R并安装上述几个包的时候遇到了一些错误，现在将这些错误记录下来以便后续在新的Linux中安装的时候需要这些信息。

下面是我当前R和Linux的信息。

> sessionInfo()
R version 3.5.1 (2018-07-02)
Platform: x86_64-pc-linux-gnu (64-bit)
Running under: Debian GNU/Linux 9 (stretch)

Matrix products: default
BLAS: /usr/lib/openblas-base/libblas.so.3
LAPACK: /usr/lib/libopenblasp-r0.2.19.so

locale:
 [1] LC_CTYPE=en_US.UTF-8 LC_NUMERIC=C LC_TIME=en_US.UTF-8       
 [4] LC_COLLATE=en_US.UTF-8 LC_MONETARY=en_US.UTF-8 LC_MESSAGES=C             
 [7] LC_PAPER=en_US.UTF-8 LC_NAME=C LC_ADDRESS=C              
[10] LC_TELEPHONE=C LC_MEASUREMENT=en_US.UTF-8 LC_IDENTIFICATION=C       

attached base packages:
[1] stats graphics grDevices utils datasets methods base     

loaded via a namespace (and not attached):
[1] compiler_3.5.1 tools_3.5.1

错误：/usr/bin/ld: cannot find -lxxx

其中xxx即表示函式库文件名称，上述问题就是缺少对应的函式库（lib）文件，需要安装缺少的lib
```
# 例如这样的错误，就是缺少libc.so
/usr/bin/ld: cannot find -lc
# 解决方法：安装对应的lib
$ apt-get install libc-dev
```
错误：/bin/bash: nc-config: command not found

nc-config是libnetcdf-dev包的一部分，上述问题的解决方法就是安装这个包
```
$ apt-get install libnetcdf-dev
```
错误：ERROR: configuration failed for package ‘XML’

这个是因为R包XML需要libxml2-dev，所以按照相应的包即可:
```
$ apt install libxml2-dev 
```

小结

基本按照下面几个依赖包就能顺利在Linux的R中安装peakPantheR所需要的包：

# 可以在安装R包前，在系统中安装下面的三个依赖包
$ apt-get install libc-dev
$ apt-get install libnetcdf-dev
$ apt install libxml2-dev

1.3. 安装错误解决 - Windows

Windows环境下的部署还没有试过，等以后有机会再说

2. 使用peakPantheR分析目标化合物的信息

我们直接将peakPantheR 3: Parallel Annotation的内容整理如下：

### 基于对照组的数据分析，修正化合物的相关信息（保留时间，m/z等）

## 第一步：导入数据

# 导入faahKO包
library(faahKO)
# 获得faahKO中三个数据文件的路径，这些文件作为对照组（QC组）
input_spectraPaths <- c(system.file('cdf/KO/ko15.CDF', package = "faahKO"),
                         system.file('cdf/KO/ko16.CDF', package = "faahKO"),
                         system.file('cdf/KO/ko18.CDF', package = "faahKO"))
# 显示文件的路径信息
input_spectraPaths

# 构建目标化合物的特征信息（targetFeatTable）
input_targetFeatTable <- data.frame(matrix(vector(), 2, 8, dimnames=list(c(), c("cpdID", "cpdName", "rtMin", "rt", "rtMax", "mzMin", "mz", "mzMax"))), stringsAsFactors=F)
input_targetFeatTable[1,] <- c("ID-1", "Cpd 1", 3310., 3344.888, 3390., 522.194778, 522.2, 522.205222)
input_targetFeatTable[2,] <- c("ID-2", "Cpd 2", 3280., 3385.577, 3440., 496.195038, 496.2, 496.204962)
input_targetFeatTable[,c(3:8)] <- sapply(input_targetFeatTable[,c(3:8)], as.numeric)
# 显示目标化合物的相关信息
input_targetFeatTable

# 构建三个数据的元数据信息（spectra Metadata）
input_spectraMetadata <- data.frame(matrix(c("sample type 1", "sample type 2", "sample type 1"), 3, 1, dimnames=list(c(), c("sampleType"))), stringsAsFactors=F)
# 显示这些额外的元数据
input_spectraMetadata


## 第二步：初始化数据

# 导入peakPantheR包
library(peakPantheR)
# 初始化数据，获得`peakPantheRAnnotation` 对象
init_annotation <- peakPantheRAnnotation(spectraPaths = input_spectraPaths,
                                         targetFeatTable = input_targetFeatTable,
                                         spectraMetadata = input_spectraMetadata)
# 显示`peakPantheRAnnotation` 对象
init_annotation


## 第三步：目标化合物第一次注释分析

# 第一次注释分析，结果保存在 annotation_result 中
annotation_result <- peakPantheR_parallelAnnotation(init_annotation, ncores=0, verbose=TRUE)

# 显示分析成功的文件个数
nbSamples(annotation_result$annotation)
# 显示第一次分析后的`peakPantheRAnnotation` 对象的相关信息，与 init_annotation 相比较
data_annotation <- annotation_result$annotation
data_annotation
# 显示分析失败的文件个数
annotation_result$failures


## 第四步：第一次分析结果的可视化检查和处理

# 基于第三步的结果，确定 uROI 和 FIR，更新相关信息
updated_annotation <- annotationParamsDiagnostic(data_annotation, verbose=TRUE)
# 显示更新后的`peakPantheRAnnotation` 对象的相关信息，与 data_annotation 相比较，已经有 uROI
updated_annotation

# 设置可视化相关参数：颜色等
uniq_sType <- sort(unique(spectraMetadata(updated_annotation)$sampleType),na.last=TRUE)
col_sType <- unname( setNames(c('blue', 'red'),c(uniq_sType))[spectraMetadata(updated_annotation)$sampleType] )
# 输出可视化的图，并保存updated_annotation对象的信息到本地，名称为：annotationParameters_summary.csv
outputAnnotationDiagnostic(updated_annotation, saveFolder="/home/cxt/MS", savePlots=TRUE, sampleColour=col_sType, verbose=TRUE, ncores=2)


### 基于QC组的分析，将相关设置应用到全部的研究样本中（WT组和KO组）

## 第五步：初始化研究样本的数据

# 前期修改参数文件所在目录
update_csv_path <- '/home/cxt/MS/annotationParameters_summary.csv'
# 导入前期修改的参数，并生成一个`peakPantheRAnnotation` 对象
new_annotation <- peakPantheR_loadAnnotationParamsCSV(update_csv_path)
# 显示`peakPantheRAnnotation` 对象的相关内容
new_annotation

# 将研究样本加入 new_annotation 对象中
# 样本数据所在路径
new_spectraPaths <- c(system.file('cdf/KO/ko15.CDF', package = "faahKO"),
                       system.file('cdf/WT/wt15.CDF', package = "faahKO"),
                       system.file('cdf/KO/ko16.CDF', package = "faahKO"),
                       system.file('cdf/WT/wt16.CDF', package = "faahKO"),
                       system.file('cdf/KO/ko18.CDF', package = "faahKO"),
                       system.file('cdf/WT/wt18.CDF', package = "faahKO"))
# 样本元数据
new_spectraMetadata <- data.frame(matrix(c("KO", "WT", "KO", "WT", "KO", "WT"), 6, 1, dimnames=list(c(), c("Group"))), stringsAsFactors=F)
# 将研究样本加入 new_annotation 对象中
new_annotation <- resetAnnotation(new_annotation, spectraPaths=new_spectraPaths, spectraMetadata=new_spectraMetadata, useUROI=TRUE, useFIR=TRUE)
# 显示 new_annotation 对象的相关信息
new_annotation


## 第六步：目标化合物第二次注释分析（基于研究样本）

# 第二次注释分析，结果保存在 new_annotation_result 中
new_annotation_result <- peakPantheR_parallelAnnotation(new_annotation, ncores=0, verbose=FALSE)

# 显示分析成功的文件个数
nbSamples(new_annotation_result$annotation)
# 显示第一次分析后的`peakPantheRAnnotation` 对象的相关信息，与 init_annotation 相比较
final_annotation <- new_annotation_result$annotation
final_annotation
# 显示分析失败的文件个数
new_annotation_result$failures

# 再次可视化相关参数：颜色等
uniq_group <- sort(unique(spectraMetadata(final_annotation)$Group),na.last=TRUE)
col_group <- unname( setNames(c('blue', 'red'),c(uniq_sType))[spectraMetadata(final_annotation)$Group] )
# 输出可视化的图，并保存 final_annotation 对象的信息到本地
outputAnnotationDiagnostic(final_annotation, saveFolder='/home/cxt/MS/MS', savePlots=TRUE, sampleColour=col_group, verbose=TRUE)


## 第七步：最终分析结果保存

# 显示第一个研究样本中的化合物峰信息（peakTables）
peakTables(final_annotation)[[1]]

# 提取全部的样本中，每一个化合物的检测到的峰面积（peak area）
annotationTable(final_annotation, column='peakArea')

# 保存全部的注释分析结果：包含化合物元数据、光谱元数据和一个包含`peakTables`每一列信息的文件 （行：样本；列：化合物
outputAnnotationResult(final_annotation, saveFolder='/home/cxt/MS/MS/', annotationName='ProjectName', verbose=TRUE)

3. 小结

在上面分析中，我们总体上可以概况为下面三个方面：

虽然我们知道目标化合物的相关信息（保留时间，m/z等），但是在每一个具体实验中，由于实验造成的数据偏差，目标化合物在对应的研究样本中的信息会发生偏移，这个时候我们需要根据对照组样本，进行一轮目标化合物分析，由此修正目标化合物的相关信息（保留时间，m/z）在这次实验中的正确数值
在获得了这些修正信息后，我们就可以对研究的样本进行分析，获得目标化合物在这次实验中的相关信息，比如峰面积（相当于表达量）等
随后，我们可以根据这个信息进行研究样本中不同组别之间，目标化合物的差异表达分析。

4. 参考

peakPantheR

更新时间：2019-05-26 19:34:10

本文由石九流创作，如果您觉得本文不错，请随意赞赏
采用知识共享署名4.0 国际许可协议进行许可
本站文章除注明转载/出处外，均为本站原创或翻译，转载前请务必署名
原文链接：https://blog.computsystmed.com/archives/practice-peakpanther
最后更新：2019-05-26 19:34:10