Posted on

简介


在生物信息分析中,经常会做序列分析图(sequence logo),这里的序列指的是核苷酸(DNA/RNA链中)或氨基酸(在蛋白质序列中)。sequence logo图是用来可视化一段序列某个位点的保守性,据根提供的序列组展示位点信息。常用于描述序列特征,如DNA中的蛋白质结合位点或蛋白质中的功能单元。

实现以上可视化过程的工具有很多,本文介绍一个使用起来非常简单,不拖泥带水的R包ggseqlogo,只要你根据此包要求的数据格式上传一堆DNA序列或者氨基酸序列,再根据现成的命令流程就能画出logo图。

安装到作图的代码如下:

安装


安装方式有两种

#直接从CRAN中安装
install.packages(“ggseqlogo”)
#从GitHub中安装
devtools::install.github(“omarwagih/ggseqlogo”)

数据加载


ggseqlogo提供了测试数据ggseqlogo_sample。

#加载包
library(ggplot2)
library(ggseqlogo)
#加载数据
data(ggseqlogo_sample)

ggseqlogo_sample数据集是一个列表,里面包含了三个数据集:

  • seqs_dna:12种转录因子的结合位点序列
  • pfms_dna:四种转录因子的位置频率矩阵
  • seqs_aa:一组激动酶底物磷酸化位点序列

#seqs_dna
head(seqs_dna)[1]

## $MA0001.1
##  [1] “CCATATATAG” “CCATATATAG” “CCATAAATAG” “CCATAAATAG” “CCATAAATAG”
##  [6] “CCATAAATAG” “CCATAAATAG” “CCATATATGG” “CCATATATGG” “CCAAATATAG”

#pfms_dna
head(pfms_dna)[1]

## $MA0018.2
##   [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8]
## A    0    0   11    0    1    0    2    8
## C    1    1    0    9    0    3    7    0
## G    1   10    0    2   10    0    1    1
## T    9    0    0    0    0    8    1    2

#seqs_aa
head(seqs_aa)[1]

## $AKT1
##   [1] “VVGARRSSWRVVSSI” “GPRSRSRSRDRRRKE” “LLCLRRSSLKAYGNG”
##   [4] “TERPRPNTFIIRCLQ” “LSRERVFSEDRARFY” “PSTSRRFSPPSSSLQ”

外部数据读入


也可以用自己的数据集,支持两种格式,序列矩阵

# 长度为7的motif。每一行为一条序列,长度相同,每一列的碱基组成代表对应位置的碱基偏好性。
fasta = “ACGTATG
ATGTATG
ACGTATG
ACATATG
ACGTACG”

fasta_input <- read.table(fasta, header=F, row.names=NULL)
fasta_input <- as.vector(fasta_input$V1)

# 长度为5的motif矩阵示例,每一列代表一个位置,及碱基在该位置的出现次数。共4行,每一行代表一种碱基
matrix <- “Base   1   2   3   4   5
A   10   2    0   8   1
C   1   12   1   2   3
G   4    0   9   1   1
T    0    0    0   1   9

matrix_input <- read.table(matrix, header=T, row.names=1)
matrix_input <- as.matrix(matrix_input)

可视化


ggplot()+geom_logo(seqs_dna$MA0001.1)+theme_logo()

C:\Users\JINWAN~1\AppData\Local\Temp\WeChat Files\f54534f3f3858f18f6e218e1a51a3e0c.png

ggseqlogo提供了一个直接绘图的函数ggseqlogo(),这是一个包装函数。下面命令结果同上面的。

ggseqlogo(seqs_dna$MA0001.1)

输入格式


ggseqlogo支持以下几种类型数据输入:

  • 序列
  • 矩阵

下面是使用数据中的位置频率矩阵生成的seqlogo

ggseqlogo(pfms_dna$MA0018.2)

C:\Users\JINWAN~1\AppData\Local\Temp\WeChat Files\64848e7b7dabef857ecd0d96734b4dbd.png

方法


ggseqlogo通过method选项支持两种序列标志生成方法:bits和probability。

p1 <- ggseqlogo(seqs_dna$MA0001.1, method=”bits”)
p2 <- ggseqlogo(seqs_dna$MA0001.1, method=”prob”)
gridExtra::grid.arrange(p1,p2)

C:\Users\JINWAN~1\AppData\Local\Temp\WeChat Files\f5601fb935c93670db1619348878a241.jpg

序列类型


ggseqlogo支持氨基酸、DNA和RNA序列类型,默认情况下ggseqlogo会自动识别数据提供的序列类型,也可以通过seq_type选项直接指定序列类型。

ggseqlogo(seqs_aa$AKT1, seq_type=”aa”)

自定义字母


通过namespace选项来定义自己想要的字母类型

#用数字来代替碱基
seqs_numeric <- chartr(“ATGC”, “1234”, seqs_dna$MA0001.1)
ggseqlogo(seqs_numeric, method=”prob”, namespace=1:4)

C:\Users\JINWAN~1\AppData\Local\Temp\WeChat Files\0aa7280d1f251b62ca2e4f2cfa1b341b.png

配色


ggseqlogo可以使用col_scheme参数来设置配色方案,具体可参考?list_col_schemes

ggseqlogo(seqs_dna$MA0001.1, col_scheme=”base_pairing”)

自定义配色


ggseqlogo提供函数make_col_scheme来自定义离散或者连续配色方案

离散配色


csl <- make_col_scheme(chars = c(“A”,”T”, “C”, “G”), groups = c(“gr1″,”gr1”, “gr2″,”gr2”), cols = c(“purple”,”purple”,”blue”,”blue”))
ggseqlogo(seqs_dna$MA0001.1,col_scheme=csl)

C:\Users\JINWAN~1\AppData\Local\Temp\WeChat Files\8dfbf01a3cd162bb1fa32433d2ca7a32.png

连续配色


cs2 <- make_col_scheme(chars = c(“A”, “T”, “C”, “G”), values = 1:4)
ggseqlogo(seqs_dna$MA0001.1, col_scheme=cs2)

同时绘制多个序列标志


ggseqlogo(seqs_dna, ncol = 4)

https://mmbiz.qpic.cn/mmbiz_png/BA8CWhHQWPy4RtbB2PgaicOs8FxiccU6S0fibHCb45Lic437UQaDPjRZIRMDkEDLj2wqJSrDQWtlCWTfRqTjeRKicvw/640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1
上述命令实际上等同于

ggplot()+geom_logo(seqs_dna)+theme_logo()+
 facet_wrap(~seq_group,ncol = 4,scales = “free_x”)

自定义高度


通过创建矩阵可以生成每个标志的高度,还可以有负值高度

set.seed(1234)
custom_mat <- matrix(rnorm(20), nrow = 4, dimnames = list(c(“A”,”T”,”C”, “G”)))
ggseqlogo(custom_mat,method=”custom”,seq_type=”dna”)+
 ylab(“my custom height”)

字体


可以通过font参数来设置字体,具体可参考?list_fonts

fonts <- list_fonts(F)
p_list <- lapply(fonts, function(f){
 ggseqlogo(seqs_dna$MA0001.1,font=f)+ggtitle(f)
})
do.call(gridExtra::grid.arrange,c(p_list, ncol=4))

https://mmbiz.qpic.cn/mmbiz_png/BA8CWhHQWPy4RtbB2PgaicOs8FxiccU6S0dbHmticW1rP7M3bmibcaI562JTQLupQ2rEPDgP4PwXzSlvA2gG4lGJYw/640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1

注释


注释的话跟ggplot2是一样的

ggplot()+
 annotate(“rect”, xmin = 0.5, xmax = 3.5, ymin = -0.05, ymax = 1.9, alpha=0.1, col=”black”, fill=”yellow”)+
 geom_logo(seqs_dna$MA0001.1, stack_width = 0.9)+
 annotate(“segment”, x=4, xend = 8, y=1.2, yend = 1.2, size=2)+
 annotate(“text”, x=6, y=1.3, label=”Text annotation”)+
 theme_logo()

图形组合


ggseqlogo生成的图形与ggplot2生成的图形组合在一起。

p1 <- ggseqlogo(seqs_dna$MA0008.1)+theme(axis.text.x = element_blank())
aln <- data.frame(
 letter=strsplit(“AGATAAGATGATAAAAAGATAAGA”, “”)[[1]],
 species=rep(c(“a”,”b”,”c”), each=8),
 x=rep(1:8,3)
)
aln$mut <- “no”
aln$mut[c(2,15,20,23)]=”yes”
p2 <- ggplot(aln, aes(x, species)) +
 geom_text(aes(label=letter, color=mut, size=mut)) +
 scale_x_continuous(breaks=1:10, expand = c(0.105, 0)) + xlab(”) +
 scale_color_manual(values=c(‘black’, ‘red’)) +
 scale_size_manual(values=c(5, 6)) +
 theme_logo() +
 theme(legend.position = ‘none’, axis.text.x = element_blank())
bp_data <- data.frame(
 x=1:8,
 conservation=sample(1:100, 8)
)
p3 <- ggplot(bp_data, aes(x, conservation))+
 geom_bar(stat = “identity”, fill=”grey”)+
 theme_logo()+
 scale_x_continuous(breaks = 1:10, expand = c(0.105, 0))+
 xlab(“”)
suppressMessages(require(cowplot))
plot_grid(p1,p2,p3,ncol = 1, align = “v”)

发表评论

邮箱地址不会被公开。 必填项已用*标注