/lung-mirnas

Proyecto para procesar RNAseq y miRNAs para cáncer de pulmón

Primary LanguageR

lung-mirnas

Proyecto para procesar RNAseq y miRNAs para cáncer de pulmón.

Contenido de Carpetas

  • Database (4 files)
    Esta carpeta es fija y contine los archivos originales (manifest) de los diferentes tipos de tejido de cancer de pulmón (NAD.txt, TAD.txt, NSC.txt, TSC,txt).

  • Data (2 directories)
    Carpeta generada. Contiene 2 directorios: "Adeno" & "Squamous", que contienen toda la informacion porducida de estos dos grupos de tejido.

    Hay 2 directorios (tejido Normal y Tumoral) en cada uno de estos directorios; cada uno contiene un archivo de cuentas de RNASeq y otro de miRNASeq.

  • Plots (2 files and 2 directories)
    Carpeta generada. Contiene 2 archivos ".png" y 2 directorios: "Adeno" & "Squamous", cada uno con los plots generados antes y después del control de calidad.

    • no_mirnas_ALL.png: Gráfica de cantidad de miRNAs por RNA de los 4 tipos de tejido.
    • no_files.png: Gráfica de cantidad de archivos descargados de RNASeq y de miRNASeq de los 4 tipos de tejido.

  • json (2 files)
    Carpeta fija con 2 scripts.

    • qbyfileid.json: Script para hacer el query a "The Cancer Genome Atlas" (TCGA) y obtener los CaseID a partir de los archivos manifest.
    • qbyMIRNA.json: Script que ayudara a obtener los nombres de los archivos a descargar a partir de CaseID.

  • pipeline (1 file)
    Carpeta fija con 1 archivo.

    • biomart-20181212.txt: Archivo con la anotación de todos los genes de Homo sapiens, a partir de donde se mapearan los genes obtenidos de los archivos de RNASeq.

  • py (6 files)
    Carpeta fija con 6 scripts.

    • Util.py: Libreria creada para la descarga de información.
    • casemirna.py: Script para obtener rnaseq_fid, cantidad de mirnas, mirna_fname y el mirna_fid a partir de los CaseID
    • downdata.py: Script para bajar archivos de cuentas de RNASeq y de miRNASeq y dentro de crapetas, ademas crear un archivo llamado "index.txt" con un listado de tosos los archivos descargados.
    • file_number.txt: Script para saber el numero de archivos de raw counts se tienen tanto de RNASeq como de miRNASeq y hacer graficas
    • getcases.py: Script para obtener los caseID a partir de archivos manifest
    • getmirnasCounts.py: Script para graficar el numero de miRNAs de NAD,TAD,NSC y de TSC

  • R (4 files)
    Carpeta fija con 4 scripts.

    • 01-Rectify_rnaSeq.R: Script para checar si las muestras tienen el mismo tamaño, checar si los genes mapean a posiciones, cambiar la anotación, remover aquellos genes mapeados a cromosomas no convencionales, remover aquellos genes que no tienen un símbolo y salvar la información!
    • 02-PRE-QC.R: Script que hace un pre-control de calidad a los datos y genera plots donde se muestra el biotipo tipo de genes obtenidos y valores de expresión.
    • 03-NORM.R: Script para realizar la normalización de la información.
    • 04-POST-QC.R: Script que hace un post-control de calidad a los datos.

Instrucciones para procesar los datos

Prerrequistos

  • Python (3.7.3)
    • librerias: matplotlib.pyplot, numpy, glob, pandas, json, requests, re, gzip, shutil
  • R (3.6.0)
    • librerias: BiocParallel, parallel, NOISeq, EDASeq, ggplot2, reshape2

Descarga de los datos (se usan scripts de python)

  1. bash sh/downdata.sh [Descarga de datos de RNASeq y miRNASeq; Gráfica de miRNAs y de Archivos]

Control de calidad y normalizacion de RNA (se usan scripts de R)

  1. bash sh/RNA_DataProcess.sh [Preprocesamiento de archivos, Pre-Control de Calidad, Plots, Normalización, Post-Control de Calidad]

Control de calidad de miRNAs (se usa script de R)

  1. bash sh/miRNA_DataProcess.sh [Preprocesamiento de archivos, Control de Calidad]

Generación de Matrices de Expresion Genes+miRNAs por Tejido

  1. Rscript R/EM_RNA_miRNA_generator.R

Árbol de Directorios

Ir a archivo "three.md"