-
Notifications
You must be signed in to change notification settings - Fork 0
/
PlanTAMI.py
1206 lines (955 loc) · 50 KB
/
PlanTAMI.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
#in piu rispetto a 2:
# -ora non tengo piu conto delle famiglie che hanno lo stesso numero di membri
# -correzione sul calcolo della significativita degloi ortologhi diretti
# -FDR di default BH
# -NPMI media tienene conto anche delle famiglie non in comune (NPMI=0) s
import sys
import time
import argparse
from collections import defaultdict
import re
import random
from collections import Counter
import math
from decimal import Decimal
#pachhetto per parlare con il sistema operativo
import os
#pacchetto per la statistica in python
import scipy
from scipy.stats import binom
from scipy.stats import hypergeom
def main():
parser = argparse.ArgumentParser(description='Tool for normalised pointwise mutal information computation across two DE gene list')
parser.add_argument('--plaza', metavar='plaza',help='the table from plaza with all family, species and genes')
parser.add_argument('--sp1', metavar='sp1',help='species 1, es. ath,sly,osa,hvu')
parser.add_argument('--sp2', metavar='sp2',help='species 2, es. ath,sly,osa,hvu')
parser.add_argument('--in_sp1', metavar='in_sp1', help='The significant plazaID of species 1')
parser.add_argument('--in_sp2', metavar='in_sp2', help='The significant plazaID of species 2')
#otional
parser.add_argument('--th_sc', metavar='th_sc',type=float ,default="0.05" ,help='Threshold for direct ortgologs enrichment (def=0.05)')
parser.add_argument('--random', metavar='random',type=int ,default="10000" ,help='number of list of random plazaID to generate (def=10000)')
parser.add_argument('--FDR', metavar='FDR',default="BH" ,help='Type of multiple test correction, BH or BY (def=BH)')
parser.add_argument('--th', metavar='th',type=float ,default="0.05" ,help='BY correction threshold (def=0.05)')
parser.add_argument('--sample', metavar='sample', default="my_sample_result", help='sample name')
parser.add_argument('--verbose', metavar='verbose',type=int, default="1", help='Show run: 0=none, 1=compact, 2=full, 3=line ')
args = parser.parse_args()
################################################################################
#funzione per creare cartelle se non ancora esistenti
def createFolder(directory):
try:
if not os.path.exists(directory):
os.makedirs(directory)
except OSError:
print ('Error: Creating directory. ' + directory)
sys.exit(1)
#creo la cartella dove salvare i risultati
createFolder("./"+args.sample+"_results/")
#salvo in una stringa il nome dei due campioni partendo da file di input
sample_sp1=args.in_sp1.split("/")
sample_sp1=sample_sp1[len(sample_sp1)-1]
sample_sp2=args.in_sp2.split("/")
sample_sp2=sample_sp2[len(sample_sp2)-1]
################################################################################
#funzione per trovare intersezione tra due liste
def common_elements(list1, list2):
return list(set(list1) & set(list2))
################################################################################
#funzione per calcolare le volte che vedo una famiglia nel set analizzato
def compute_count_list(plazaID_list):
plazaID_freq=dict(Counter(plazaID_list))
return plazaID_freq
################################################################################
#funzione per barra di caricamento
def update_progress(job_title, progress):
length = 20 # lunghezza barra
block = int(round(length*progress))
msg = "\r{0}: [{1}] {2}%".format(job_title, "#"*block + "-"*(length-block), round(progress*100, 1))
if progress >= 1: msg += " DONE\r\n"
sys.stdout.write(msg)
sys.stdout.flush()
################################################################################
#funzione per calcolare la npmi
def compute_npmi(p_my,p_all):
npmi= (math.log(p_my/p_all, 2.0))/(-(math.log(p_all,2.0)))
return npmi
################################################################################
#funzione per calcolare 1-distribuzione ipergeometrica CUMULATIVA
#ATTENZIONE, ordine non canonico (excel) per passaggio parametri
def hyp_dist(successi,popolazione,succeccessi_popolazione,tentativi):
x=successi
M=popolazione
n=succeccessi_popolazione
N=tentativi
return round(1-hypergeom.cdf(x, M, n, N),12)
################################################################################
#funzione per calcolare 1 - distribuzione binomiale cumulativa
def bin_dist(n_obs,n_my_gene,p_all):
k=n_obs-1
n=n_my_gene
p=p_all
return round(1-binom.cdf(k,n,p),6)
################################################################################
#funzione per ottenere gli elementi unici di una lista
def unique(list1):
return(list(set(list1)))
################################################################################
#funzione per calcolare FDR con metodo BH
def BH_FDR(serie):
#indice per ciclare sui valori al contrario
index=sorted(list(range(0,len(serie))), reverse=True)
#lista in cui annotare i risultari
BH_res=[]
#numero di test
n=len(serie)
#variabili per controllare se il pv è uguale al precedente o FDR diventa piu piccolo del precedente
ex_pv=1
ex_adj_pv=1
for idx in index:
#aggiungo 1 all'indice che parte da 0 per ottenere il rank
rank=idx+1
#annoto il pv
pv=serie[idx]
#se il pv analizzato è uguale al pv precedente annoto il pv corretto come il precedente
if pv==ex_pv:
adj_pv=ex_adj_pv
BH_res.append(adj_pv)
#se invece il pv è piu basso del precedente aggiiorno ex_pv e calcolo il nuovo pv corretto
if pv<ex_pv:
ex_pv=pv
#calcolo il il pv corretto
adj_pv=pv*(n/rank)
#verifico se adj_pv è piu piccolo del precedente
if adj_pv<ex_adj_pv:
#annoto il pv corretto nella lista e nell ex_BH
ex_adj_pv=adj_pv
BH_res.append(adj_pv)
#se non lo è uso il precedente
else:
adj_pv=ex_adj_pv
BH_res.append(ex_adj_pv)
#riordino la lista dei risultati in ordine crescente
BH_res=sorted(BH_res)
return (BH_res)
################################################################################
#funzione per calcolare FDR con metodo BY
def BY_FDR(serie):
#indice per ciclare sui valori al contrario
index=sorted(list(range(0,len(serie))), reverse=True)
#lista in cui annotare i risultari
BY_res=[]
#numero di test
n=len(serie)
#variabili per controllare se il pv è uguale al precedente o FDR diventa piu piccolo del precedente
ex_pv=1
ex_adj_pv=1
#calcolo il valore q (sommatoria di 1/rank) dell'ultima posizione da cui po sottraggo ogni volta
q=0
#print(q)
for i in index:
rank=(i+1)
q=q+1/rank
for idx in index:
#aggiungo 1 all'indice che parte da 0 per ottenere il rank
rank=idx+1
#annoto il pv
pv=serie[idx]
#se il pv analizzato è uguale al pv precedente annoto il pv corretto come il precedente
if pv==ex_pv:
adj_pv=ex_adj_pv
BY_res.append(adj_pv)
#se invece il pv è piu basso del precedente aggiiorno ex_pv e calcolo il nuovo pv corretto
if pv<ex_pv:
ex_pv=pv
#calcolo il il pv corretto
adj_pv=pv*(n*q/rank)
#verifico se adj_pv è piu piccolo del precedente
if adj_pv<ex_adj_pv:
#annoto il pv corretto nella lista e nell ex_BY
ex_adj_pv=adj_pv
BY_res.append(adj_pv)
#se non lo è uso il precedente
else:
adj_pv=ex_adj_pv
BY_res.append(ex_adj_pv)
#riordino la lista dei risultati in ordine crescente
BY_res=sorted(BY_res)
return (BY_res)
################################################################################
if args.verbose==2:
sys.stdout.write("\n")
sys.stdout.write("----------------------------------------------------------"+"\n")
sys.stdout.write("Reading "+args.sp1+" and "+args.sp2+" background data..."+"\n")
#leggendo il file delle famiglie genero:
#due dizionari per le due specie contente la famiglia (chiave) e i relativi geni (valori)
plaza_diz_sp1={}
plaza_diz_sp2={}
#due liste con tutti gli gene ID di sp1 e sp2
all_spID_sp1=[]
all_spID_sp2=[]
#due liste conteneti tutte gli ID di famiglie di sp1 e sp2 ANCHE RIPETUTI
all_plazaID_sp1=[]
all_plazaID_sp2=[]
with open (args.plaza) as plaza_tab:
for line in plaza_tab:
line=line.split(";")
fam=line[0]
species=line[1]
spID=line[2].strip("\n")
spID=spID.strip("\r")
#elimino il .1 o .2 in id di pomodoro
if species=="sly":
spID=spID[0:14]
if species==args.sp1:
if fam in plaza_diz_sp1:
plaza_diz_sp1[fam].append(spID)
else:
plaza_diz_sp1[fam]=[spID]
all_spID_sp1.append(spID)
all_plazaID_sp1.append(fam)
if species==args.sp2:
if fam in plaza_diz_sp2:
plaza_diz_sp2[fam].append(spID)
else:
plaza_diz_sp2[fam]=[spID]
all_spID_sp2.append(spID)
all_plazaID_sp2.append(fam)
#conto separatamente per sp1 e sp2 quante famiglie hanno un mebro e quante ne hanno
#piu di uno
single_copy_all_sp1={}
single_copy_all_sp2={}
multiple_memeber_all_sp1={}
multiple_memeber_all_sp2={}
for family in plaza_diz_sp1:
if len(plaza_diz_sp1[family])==1:
single_copy_all_sp1[family]=plaza_diz_sp1[family]
else:
multiple_memeber_all_sp1[family]=plaza_diz_sp1[family]
for family in plaza_diz_sp2:
if len(plaza_diz_sp2[family])==1:
single_copy_all_sp2[family]=plaza_diz_sp2[family]
else:
multiple_memeber_all_sp2[family]=plaza_diz_sp2[family]
#genero un dizianario unico per sp1 e sp2 in cui la chiave è la famiglia in comune
#e i valori sonoi due liste: geni di sp1 e geni di sp2
very_ALL_common_families=common_elements(all_plazaID_sp1,all_plazaID_sp2)
plaza_diz_sp1_sp2={}
for family in very_ALL_common_families:
plaza_diz_sp1_sp2[family]=plaza_diz_sp1[family],plaza_diz_sp2[family]
#scorro sul dizionario appena creato per separe le famiglie in ortologhu diretti
#e famiglie con più di un membro, salvandole in appositi dizionari per sp1 e sp2.
#ma anche uno comune
#NOTA: nel caso in cui incontro una famiglia con 2 membri in una specie e 1 solo
#nell altra la tratto come famiglia con piu di un membro per specie
common_single_copy_all_sp1={}
common_single_copy_all_sp2={}
direct_orho_sp1_sp2=[]
common_multiple_memeber_all_sp1={}
common_multiple_memeber_all_sp2={}
all_common_fam_sp1_sp2=[]
for family in plaza_diz_sp1_sp2:
if len(plaza_diz_sp1_sp2[family][0])==1 and len(plaza_diz_sp1_sp2[family][1])==1:
common_single_copy_all_sp1[family]=plaza_diz_sp1_sp2[family][0]
common_single_copy_all_sp2[family]=plaza_diz_sp1_sp2[family][1]
direct_orho_sp1_sp2.append(family)
else:
common_multiple_memeber_all_sp1[family]=plaza_diz_sp1_sp2[family][0]
common_multiple_memeber_all_sp2[family]=plaza_diz_sp1_sp2[family][1]
all_common_fam_sp1_sp2.append(family)
#genero altri due dizionari per avere corrispondenza gene (chiave) familgia (valore)
gene_to_plaza_diz_sp1={}
gene_to_plaza_diz_sp2={}
with open (args.plaza) as plaza_tab:
for line in plaza_tab:
line=line.split(";")
fam=line[0]
species=line[1]
spID=line[2].strip("\n")
spID=spID.strip("\r")
#elimino il .1 o .2 in id di pomodoro
if species=="sly":
spID=spID[0:14]
if species==args.sp1:
gene_to_plaza_diz_sp1[spID]=fam
if species==args.sp2:
gene_to_plaza_diz_sp2[spID]=fam
#calcolo quanti geni sono presenti nelle famiglie con piu membri e che sono
#in comune tra sp1 e sp2 facendo una lista dei geni in tali famiglie
genes_in_multiple_memebers_fams_sp1=[]
genes_in_multiple_memebers_fams_sp2=[]
for fam in common_multiple_memeber_all_sp1:
for gene in common_multiple_memeber_all_sp1[fam]:
genes_in_multiple_memebers_fams_sp1.append(gene)
for fam in common_multiple_memeber_all_sp2:
for gene in common_multiple_memeber_all_sp2[fam]:
genes_in_multiple_memebers_fams_sp2.append(gene)
if args.verbose==2:
sys.stdout.write("\n")
sys.stdout.write(args.sp1+" background data:"+"\n")
sys.stdout.write(" Genes: "+str(len(all_spID_sp1))+"\n")
sys.stdout.write(" Families: "+str(len(unique(all_plazaID_sp1)))+"\n")
sys.stdout.write(" of which..."+"\n")
sys.stdout.write(" Direct orthologs: "+str(len(single_copy_all_sp1))+"\n")
sys.stdout.write(" Multiple member families: "+ str(len(multiple_memeber_all_sp1))+"\n")
sys.stdout.write("\n")
sys.stdout.write(args.sp2+" background data:"+"\n")
sys.stdout.write(" Genes: "+str(len(all_spID_sp2))+"\n")
sys.stdout.write(" Families: "+str(len(unique(all_plazaID_sp2)))+"\n")
sys.stdout.write(" of which..."+"\n")
sys.stdout.write(" Direct orthologs: "+str(len(single_copy_all_sp2))+"\n")
sys.stdout.write(" Multiple member families: "+ str(len(multiple_memeber_all_sp2))+"\n")
sys.stdout.write("\n")
sys.stdout.write("Intersection results:"+"\n")
sys.stdout.write(" Families in common between "+ args.sp1+" and "+args.sp2+": "+ str(len(very_ALL_common_families))+"\n")
sys.stdout.write(" of which..."+"\n")
sys.stdout.write(" Direct orthologs: "+ str(len(direct_orho_sp1_sp2))+"\n")
sys.stdout.write(" Multiple member families: "+ str(len(all_common_fam_sp1_sp2))+"\n")
################################################################################
if args.verbose==2:
sys.stdout.write("\n")
sys.stdout.write("----------------------------------------------------------"+"\n")
sys.stdout.write("Reading "+args.sp1+" and "+args.sp2+" input data..."+"\n")
#leggo i due file di input (liste geni DE) e genero:
#dizionario con famiglia e relativi geni
sig_plazaID_spID_sp1={}
sig_plazaID_spID_sp2={}
#lista geni
sig_spID_sp1=[]
sig_spID_sp2=[]
#lista relative famiglie (ID ripetuto di famiglie con piu membri)
sig_plazaID_sp1=[]
sig_plazaID_sp2=[]
#lettura file sp1
with open (args.in_sp1) as file_sig_ID_sp1:
for geneID in file_sig_ID_sp1:
geneID=geneID.strip("\n")
if geneID in gene_to_plaza_diz_sp1:
if gene_to_plaza_diz_sp1[geneID] in sig_plazaID_spID_sp1:
sig_plazaID_spID_sp1[gene_to_plaza_diz_sp1[geneID]].append(geneID)
else:
sig_plazaID_spID_sp1[gene_to_plaza_diz_sp1[geneID]]=[geneID]
sig_spID_sp1.append(geneID)
sig_plazaID_sp1.append(gene_to_plaza_diz_sp1[geneID])
#lettura file sp2
with open (args.in_sp2) as file_sig_ID_sp2:
for geneID in file_sig_ID_sp2:
geneID=geneID.strip("\n")
if geneID in gene_to_plaza_diz_sp2:
if gene_to_plaza_diz_sp2[geneID] in sig_plazaID_spID_sp2:
sig_plazaID_spID_sp2[gene_to_plaza_diz_sp2[geneID]].append(geneID)
else:
sig_plazaID_spID_sp2[gene_to_plaza_diz_sp2[geneID]]=[geneID]
sig_spID_sp2.append(geneID)
sig_plazaID_sp2.append(gene_to_plaza_diz_sp2[geneID])
#salvo in due liste i nomi delle famiglie di ortologhi diretti di sp1 e sp2
single_copy_my_sp1=[]
single_copy_my_sp2=[]
#e in altre due liste i nomi delle famiglie con piu membri
multiple_memeber_my_sp1=[]
multiple_memeber_my_sp2=[]
#uso la funzione unique sulla lista di famiglie poiche molti ID sono ripetuti
for family in unique(sig_plazaID_sp1):
if len(plaza_diz_sp1[family])==1:
single_copy_my_sp1.append(family)
else:
multiple_memeber_my_sp1.append(family)
for family in unique(sig_plazaID_sp2):
if len(plaza_diz_sp2[family])==1:
single_copy_my_sp2.append(family)
else:
multiple_memeber_my_sp2.append(family)
#intersezione delle famiglie in comune
sig_very_all_common_fam=common_elements(sig_plazaID_sp1,sig_plazaID_sp2)
#dalle famiglie in comune estraggo quelle di ortolghi diretti e quelle con
#piu di un membro intersecando la lista delle famiglie in comune del mio set
#e le famiglie di orthologhi diretti e quelle a piu membri del background
my_direct_ortho=common_elements(sig_very_all_common_fam,direct_orho_sp1_sp2)
my_ortho_fam=common_elements(sig_very_all_common_fam, all_common_fam_sp1_sp2)
#calcolo quanti geni sono presenti nelle famiglie con piu membri e che sono
#in comune tra le liste input sp1 e sp2 facendo una lista dei geni in tali famiglie
input_genes_in_multiple_memebers_fams_sp1=[]
input_genes_in_multiple_memebers_fams_sp2=[]
for fam in my_ortho_fam:
for gene in sig_plazaID_spID_sp1[fam]:
input_genes_in_multiple_memebers_fams_sp1.append(gene)
for gene in sig_plazaID_spID_sp2[fam]:
input_genes_in_multiple_memebers_fams_sp2.append(gene)
# print ("AAAAA")
# print (len(my_ortho_fam))
# print (len(input_genes_in_multiple_memebers_fams_sp1))
# print (len(input_genes_in_multiple_memebers_fams_sp2))
if args.verbose==2:
sys.stdout.write("\n")
sys.stdout.write(sample_sp1 + "," + args.sp1+" input data :"+"\n")
sys.stdout.write(" Genes: "+str(len(sig_spID_sp1))+"\n")
sys.stdout.write(" Families: "+str(len(unique(sig_plazaID_sp1)))+"\n")
sys.stdout.write(" of which..."+"\n")
sys.stdout.write(" Direct orthologs: "+ str(len(single_copy_my_sp1))+"\n")
sys.stdout.write(" Multiple member families: "+ str(len(multiple_memeber_my_sp1))+"\n")
sys.stdout.write("\n")
sys.stdout.write(sample_sp2 + "," + args.sp2+" input data:"+"\n")
sys.stdout.write(" Genes: "+str(len(sig_spID_sp2))+"\n")
sys.stdout.write(" Families: "+str(len(unique(sig_plazaID_sp2)))+"\n")
sys.stdout.write(" of which..."+"\n")
sys.stdout.write(" Direct orthologs: "+ str(len(single_copy_my_sp2))+"\n")
sys.stdout.write(" Multiple member families: "+ str(len(multiple_memeber_my_sp2))+"\n")
sys.stdout.write("\n")
sys.stdout.write("Intersection results:"+"\n")
sys.stdout.write(" Families in common between input "+ args.sp1+" and input "+args.sp2+": "+ str(len(sig_very_all_common_fam))+"\n")
sys.stdout.write(" of which..."+"\n")
sys.stdout.write(" Direct orthologs: "+ str(len(my_direct_ortho))+"\n")
sys.stdout.write(" Multiple member families: "+ str(len(my_ortho_fam))+"\n")
################################################################################
#test per indagare se le due liste di input sono arricchiti di ortologhi diretti
#rispetto al background
if args.verbose==2:
sys.stdout.write("\n")
sys.stdout.write("----------------------------------------------------------"+"\n")
sys.stdout.write("Direct orthologs analysis..."+"\n")
sys.stdout.write("\n")
#successi, ortologhi diretti in comune
successi=len(my_direct_ortho)
#popolazione, prodotto del numero di otrhologhi diretti di sp1 e sp2 /2
popolazione=(len(single_copy_all_sp1)*len(single_copy_all_sp2))/2
#successi_popolazione, geni a singola copia in cumune nei due genomi
successi_popolazione=len(direct_orho_sp1_sp2)
#tentativi, prodotto ortologhi diretti sp1 e sp2 /2
tentativi=(len(single_copy_my_sp1)*len(single_copy_my_sp2))/2
pv_hyp_dir_ortho=hyp_dist(successi,popolazione,successi_popolazione,tentativi)
#calcolo l'arricchimento degli ortologhi nei due set di input rispetto al bg
enrichment_dir_ortho=round((successi/tentativi)/(successi_popolazione/popolazione),4)
if args.verbose==2:
if pv_hyp_dir_ortho<args.th_sc:
sys.stdout.write("The intersection of the updated list is ENRICHED in direct orthologs!"+"\n")
sys.stdout.write(" Fold change: "+str(enrichment_dir_ortho)+"\n")
sys.stdout.write(" P.value : "+str(pv_hyp_dir_ortho)+" (th="+str(args.th_sc)+")"+"\n")
sys.stdout.write("\n")
sys.stdout.write(" Direct ortologs gene IDs can be found in the result folder."+"\n")
sys.stdout.write("\n")
else:
sys.stdout.write("The intersection of the updated list is NOT ENRICHED in direct orthologs!"+"\n")
sys.stdout.write(" Fold change: "+str(enrichment_dir_ortho)+"\n")
sys.stdout.write(" P.value : "+str(pv_hyp_dir_ortho)+" (th="+str(args.th_sc)+")"+"\n")
sys.stdout.write("\n")
sys.stdout.write(" Direct ortologs gene IDs can be found in the result folder."+"\n")
################################################################################
if args.verbose==2:
sys.stdout.write("----------------------------------------------------------"+"\n")
sys.stdout.write("Computing NPMI on families..."+"\n")
sys.stdout.write("\n")
#genero dataset con geneID random della grandezza del set di partenza
#converto in famiglie, faccio l'intersezione e calcolo l'NPMI
#annoto tutto in due dizionario che hanno come chiavi le famiglie in comune
random_dataset_result_sp1={}
random_dataset_result_sp2={}
for fam in my_ortho_fam:
random_dataset_result_sp1[fam]=[]
random_dataset_result_sp2[fam]=[]
for i in range(0,args.random):
#genero liste random di geneID con la stessa lunghezza delle liste di input
random_ID_sp1=random.sample(all_plazaID_sp1,len(sig_spID_sp1))
random_ID_sp2=random.sample(all_plazaID_sp2,len(sig_spID_sp2))
#intersezione delle due liste random
intersection_random=common_elements(random_ID_sp1,random_ID_sp2)
# #cicli per eliminare dalle liste random gli ID non presenti nell'altra lista
# #e generare un dizionari con i conti degli ID rimasti
#
# filt_random_ID_sp1=[]
# filt_random_ID_sp2=[]
#
# for element in random_ID_sp1:
# if element in intersection_random:
# filt_random_ID_sp1.append(element)
#
# count_random_sp1=compute_count_list(filt_random_ID_sp1)
#
#
# for element in random_ID_sp2:
# if element in intersection_random:
# filt_random_ID_sp2.append(element)
#
# count_random_sp2=compute_count_list(filt_random_ID_sp2)
#
# #calcolo la NPMI per ogni famiglia e annoto nel random_dataset_result,
# #se la famiglia non è presente nel dizionario annoto 0
#anziche fare due cicli separati iniziallizo prima i dizionari conti
#e con un solo ciclo lo riempo
count_random_sp1={}
count_random_sp2={}
for element in intersection_random:
if element in count_random_sp1:
count_random_sp1[element]+=1
else:
count_random_sp1[element]=1
if element in count_random_sp2:
count_random_sp2[element]+=1
else:
count_random_sp2[element]=1
# #sp1
# for family in random_dataset_result_sp1:
# if family in count_random_sp1:
#
# DEGs_in_fam=float(count_random_sp1[family])
# all_DEGs_in_fams=float(len(filt_random_ID_sp1))
# fam_size=len(plaza_diz_sp1[family])
# all_genes_in_fams=float(len(genes_in_multiple_memebers_fams_sp1))
#
# p_my=DEGs_in_fam/all_DEGs_in_fams
# p_all=fam_size/all_genes_in_fams
#
# npmi=compute_npmi(p_my,p_all)
# random_dataset_result_sp1[family].append(npmi)
#
# else:
# random_dataset_result_sp1[family].append(0)
#
# #sp2
# for family in random_dataset_result_sp2:
# if family in count_random_sp2:
#
# DEGs_in_fam=float(count_random_sp2[family])
# all_DEGs_in_fams=float(len(filt_random_ID_sp2))
# fam_size=len(plaza_diz_sp2[family])
# all_genes_in_fams=float(len(genes_in_multiple_memebers_fams_sp2))
#
# p_my=DEGs_in_fam/all_DEGs_in_fams
# p_all=fam_size/all_genes_in_fams
#
# npmi=compute_npmi(p_my,p_all)
# random_dataset_result_sp2[family].append(npmi)
#
#
# else:
# random_dataset_result_sp2[family].append(0)
#Non annoto piu gli zeri ma ne vado a tenere conto nel momento in cui
#calcolo il p-value dividendo per il numero di test
all_DEGs_in_fams_SP1=float(len(count_random_sp1.keys()))
all_genes_in_fams_SP1=float(len(genes_in_multiple_memebers_fams_sp1))
for family in count_random_sp1:
if family in random_dataset_result_sp1:
DEGs_in_fam=float(count_random_sp1[family])
fam_size=len(plaza_diz_sp1[family])
p_my=DEGs_in_fam/all_DEGs_in_fams_SP1
p_all=fam_size/all_genes_in_fams_SP1
npmi=compute_npmi(p_my,p_all)
random_dataset_result_sp1[family].append(npmi)
#sp2
all_DEGs_in_fams_SP2=float(len(count_random_sp1.keys()))
all_genes_in_fams_SP2=float(len(genes_in_multiple_memebers_fams_sp1))
for family in count_random_sp2:
if family in random_dataset_result_sp2:
DEGs_in_fam=float(count_random_sp2[family])
fam_size=len(plaza_diz_sp2[family])
p_my=DEGs_in_fam/all_DEGs_in_fams_SP2
p_all=fam_size/all_genes_in_fams_SP2
pmi=compute_npmi(p_my,p_all)
random_dataset_result_sp2[family].append(npmi)
if args.verbose==2:
update_progress(str(args.random)+" random datasets generation", i/args.random)
if args.verbose==2:
update_progress(str(args.random)+" random datasets generation", 1)
################################################################################
#creo due dizionari per annotare i valori e i risultati di ogni familgia
#separatamente per sp1 e sp2
result_diz_sp1={}
result_diz_sp2={}
family_count_sp1=compute_count_list(sig_plazaID_sp1)
family_count_sp2=compute_count_list(sig_plazaID_sp2)
#creo le chiavi (famiglie in comune) e annoto i valori:
#DEGs nella familgia (proporzione)
#DEGs in famiglie con piu membri in comune
#Geni in famiglie con piu membri, in comune tra sp1 e sp2, nell'intero genoma
#p_my
#p_all
#npmi
#p_value
#FDR_bonf
#FDR_BY (step successivo al sort)
for family in my_ortho_fam:
#sp1####################################################################
result_diz_sp1[family]=[]
DEGs_in_fam=float(family_count_sp1[family])
all_DEGs_in_fams=float(len(input_genes_in_multiple_memebers_fams_sp1))
fam_size=len(plaza_diz_sp1[family])
all_genes_in_fams=float(len(genes_in_multiple_memebers_fams_sp1))
p_my=DEGs_in_fam/all_DEGs_in_fams
p_all=fam_size/all_genes_in_fams
npmi=compute_npmi(p_my,p_all)
higher=0
if family in random_dataset_result_sp1:
for value in random_dataset_result_sp1[family]:
if float(value)>=npmi:
higher=higher+1
p_value=float(higher)/float(args.random)
FDR_bonf=p_value*len(my_ortho_fam)
if FDR_bonf>1:
FDR_bonf=1
#DEGs in fam
result_diz_sp1[family].append(str(int(DEGs_in_fam))+"/"+str(int(fam_size)))
#DEGs in famiglie con piu membri in comune
result_diz_sp1[family].append(int(all_DEGs_in_fams))
#Geni in famiglie con piu membri, in comune tra sp1 e sp2, nell'intero genoma
result_diz_sp1[family].append(int(all_genes_in_fams))
#p_my
result_diz_sp1[family].append(round(p_my,5))
#p_all
result_diz_sp1[family].append(round(p_all,5))
#NPMI
result_diz_sp1[family].append(round(npmi,5))
#p_value
result_diz_sp1[family].append(round(p_value,5))
#FDR_bonf
result_diz_sp1[family].append(round(FDR_bonf,5))
#sp2####################################################################
result_diz_sp2[family]=[]
DEGs_in_fam=float(family_count_sp2[family])
all_DEGs_in_fams=float(len(input_genes_in_multiple_memebers_fams_sp2))
fam_size=len(plaza_diz_sp2[family])
all_genes_in_fams=float(len(genes_in_multiple_memebers_fams_sp2))
p_my=DEGs_in_fam/all_DEGs_in_fams
p_all=fam_size/all_genes_in_fams
npmi=compute_npmi(p_my,p_all)
higher=0
if family in random_dataset_result_sp2:
for value in random_dataset_result_sp2[family]:
if float(value)>=npmi:
higher=higher+1
p_value=float(higher)/float(args.random)
FDR_bonf=p_value*len(my_ortho_fam)
if FDR_bonf>1:
FDR_bonf=1
#DEGs in fam
result_diz_sp2[family].append(str(int(DEGs_in_fam))+"/"+str(int(fam_size)))
#DEGs in famiglie con piu membri in comune
result_diz_sp2[family].append(int(all_DEGs_in_fams))
#Geni in famiglie con piu membri, in comune tra sp1 e sp2, nell'intero genoma
result_diz_sp2[family].append(int(all_genes_in_fams))
#p_my
result_diz_sp2[family].append(round(p_my,5))
#p_all
result_diz_sp2[family].append(round(p_all,5))
#NPMI
result_diz_sp2[family].append(round(npmi,5))
#p_value
result_diz_sp2[family].append(round(p_value,5))
#FDR_bonf
result_diz_sp2[family].append(round(FDR_bonf,5))
################################################################################
#ordino i result_diz basandomi sul p_value (settimo elemento della lista)
sorted_result_diz_sp1=sorted(result_diz_sp1.items(), key=lambda e: e[1][6])
sorted_result_diz_sp2=sorted(result_diz_sp2.items(), key=lambda e: e[1][6])
#salvo in una lista i p_value ordinati
ord_p_value_sp1=[]
for element in sorted_result_diz_sp1:
ord_p_value_sp1.append(element[1][6])
ord_p_value_sp2=[]
for element in sorted_result_diz_sp2:
ord_p_value_sp2.append(element[1][6])
#calcolo i p_value_adj con BY (def) o BH method con mie funzioni
if args.FDR=="BY":
pv_corr_sp1= BY_FDR(ord_p_value_sp1)
pv_corr_sp2= BY_FDR(ord_p_value_sp2)
if args.FDR=="BH":
pv_corr_sp1= BH_FDR(ord_p_value_sp1)
pv_corr_sp2= BH_FDR(ord_p_value_sp2)
#ciclo per aggiungere il pv_corr alla lista di valori di sorted_result_diz_sp1
#per comodita poi riscrivo il result diz
index=range(0,len(pv_corr_sp1))
for idx in index:
sorted_result_diz_sp1[idx][1].append(round(pv_corr_sp1[idx],5))
sorted_result_diz_sp2[idx][1].append(round(pv_corr_sp2[idx],5))
sorted_result_diz_sp1=dict(sorted_result_diz_sp1)
sorted_result_diz_sp2=dict(sorted_result_diz_sp2)
if args.verbose==2:
sys.stdout.write("\n")
sys.stdout.write(" NPMI analysis results can be found in the result folder."+"\n")
################################################################################
if args.verbose==2:
sys.stdout.write("\n")
sys.stdout.write("----------------------------------------------------------"+"\n")
sys.stdout.write("Calling significant families and genes..."+"\n")
sys.stdout.write("\n")
#leggo i sorted result diz per selezionare le famiglie significative ,
#basamndomi su pv_corretti < di args.th
#le famiglie significative le salvo in una lista per poi recuperare i geni
#e trovare le famiglie significative in comune tra le due specie
sig_family_sp1=[]
sig_family_sp2=[]
sig_genes_sp1=[]
sig_genes_sp2=[]
#inoltre, tengo conto dei valori di NPMI di tutte le famiglie di sp1 e sp2
#e di tutte, per poi calcolarne la media
sum_NPMI_sp1=0
sum_NPMI_sp2=0
sum_NPMI_all=0
sum_NPMI_sp1_sig=0
sum_NPMI_sp2_sig=0
sum_NPMI_all_sig=0
for family in sorted_result_diz_sp1:
sum_NPMI_sp1=sum_NPMI_sp1+float(sorted_result_diz_sp1[family][5])
sum_NPMI_all=sum_NPMI_all+float(sorted_result_diz_sp1[family][5])
if sorted_result_diz_sp1[family][8]<=args.th:
sum_NPMI_sp1_sig=sum_NPMI_sp1_sig+float(sorted_result_diz_sp1[family][5])
sig_family_sp1.append(family)
for gene in sig_plazaID_spID_sp1[family]:
sig_genes_sp1.append(gene)
for family in sorted_result_diz_sp2:
sum_NPMI_sp2=sum_NPMI_sp2+float(sorted_result_diz_sp2[family][5])
sum_NPMI_all=sum_NPMI_all+float(sorted_result_diz_sp2[family][5])
if sorted_result_diz_sp2[family][8]<=args.th:
sum_NPMI_sp2_sig=sum_NPMI_sp2_sig+float(sorted_result_diz_sp2[family][5])
sig_family_sp2.append(family)
for gene in sig_plazaID_spID_sp2[family]:
sig_genes_sp2.append(gene)
#faccio intersezione famiglie significative per trovare quelle in comune
#poi calcolo l'NPMI media solo di quelle in comune
common_sig_family_sp1_sp2=common_elements(sig_family_sp1,sig_family_sp2)
for family in common_sig_family_sp1_sp2:
sum_NPMI_all_sig=sum_NPMI_all_sig+float(sorted_result_diz_sp1[family][5])+float(sorted_result_diz_sp2[family][5])
if len(sorted_result_diz_sp1)!=0:
mean_NPMI_sp1=round(sum_NPMI_sp1/len(multiple_memeber_my_sp1),4)
else:
mean_NPMI_sp1=0
if len(sorted_result_diz_sp2)!=0:
mean_NPMI_sp2=round(sum_NPMI_sp2/len(multiple_memeber_my_sp2),4)
else:
mean_NPMI_sp2=0
if len(sorted_result_diz_sp1)!=0:
mean_NPMI_all=round(sum_NPMI_all/(len(multiple_memeber_my_sp1)+len(multiple_memeber_my_sp2)),4)
else:
mean_NPMI_all=0
if len(sig_family_sp1)!=0:
mean_NPMI_sp1_sig=round(sum_NPMI_sp1_sig/len(sig_family_sp1),4)
else:
mean_NPMI_sp1_sig=0
if len(sig_family_sp2)!=0:
mean_NPMI_sp2_sig=round(sum_NPMI_sp2_sig/len(sig_family_sp2),4)
else:
mean_NPMI_sp2_sig=0
if (len(common_sig_family_sp1_sp2))!=0:
mean_NPMI_all_sig=round(sum_NPMI_all_sig/(len(common_sig_family_sp1_sp2)*2),4)
else:
mean_NPMI_all_sig=0
#creo un dizionariom con chiave la famiglie e due liste di valori per
#relativi geni di sp1 e sp2
diz_common_sig_family_sp1_sp2={}
number_of_genes_in_common=0
for family in common_sig_family_sp1_sp2:
diz_common_sig_family_sp1_sp2[family]=[]
diz_common_sig_family_sp1_sp2[family].append(sig_plazaID_spID_sp1[family])
number_of_genes_in_common=number_of_genes_in_common+len(sig_plazaID_spID_sp1[family])
diz_common_sig_family_sp1_sp2[family].append(sig_plazaID_spID_sp2[family])
number_of_genes_in_common=number_of_genes_in_common+len(sig_plazaID_spID_sp2[family])
if args.verbose==2:
sys.stdout.write(" Significant families in "+sample_sp1+": "+str(len(sig_family_sp1))+" ("+str(len(sig_genes_sp1))+" genes)"+"\n")
sys.stdout.write(" Significant families in "+sample_sp2+": "+str(len(sig_family_sp2))+" ("+str(len(sig_genes_sp2))+" genes)"+"\n")
sys.stdout.write(" Significant families in common: "+str(len(common_sig_family_sp1_sp2))+" ("+str(number_of_genes_in_common)+" genes)"+"\n")
sys.stdout.write("\n")
sys.stdout.write(" Significant families and genes IDs can be found in the result folder."+"\n")
sys.stdout.write("\n")
################################################################################
#scrivo gli output
if args.verbose==2:
sys.stdout.write("----------------------------------------------------------"+"\n")
sys.stdout.write("Writing outputs..."+"\n")
sys.stdout.write("\n")
#ortolghi diretti sia che siano significativi che non
if pv_hyp_dir_ortho<args.th_sc:
with open ("./"+args.sample+"_results/"+args.sample+"_significant_direct_orthologs.txt", "w") as dir_ort_out:
dir_ort_out.write("The sample is ENRICHED in direct orthologs!"+"\n")
dir_ort_out.write("Fold change= "+str(enrichment_dir_ortho)+" p_value= "+str(pv_hyp_dir_ortho)+"\n")
dir_ort_out.write("\n")
dir_ort_out.write("Fam_ID"+"\t"+"sp1_gene"+"\t"+"sp2_gene"+"\n")
for fam in my_direct_ortho:
dir_ort_out.write(fam+"\t"+sig_plazaID_spID_sp1[fam][0]+"\t"+sig_plazaID_spID_sp2[fam][0]+"\n")
if args.verbose==2:
sys.stdout.write(" significant_direct_orthologs..............OK"+"\n")
else:
with open ("./"+args.sample+"_results/"+args.sample+"_NOT_significant_direct_orthologs.txt", "w") as dir_ort_out:
dir_ort_out.write("The sample is NOT ENRICHED in direct orthologs!"+"\n")
dir_ort_out.write("Fold change= "+str(enrichment_dir_ortho)+" p_value= "+str(pv_hyp_dir_ortho)+"\n")
dir_ort_out.write("\n")
dir_ort_out.write("Fam_ID"+"\t"+"sp1_gene"+"\t"+"sp2_gene"+"\n")
for fam in my_direct_ortho:
dir_ort_out.write(fam+"\t"+sig_plazaID_spID_sp1[fam][0]+"\t"+sig_plazaID_spID_sp2[fam][0]+"\n")
if args.verbose==2:
sys.stdout.write(" NOT_significant_direct_orthologs..........OK"+"\n")