Konwertuj GCT na XLS

Macierz ekspresji genów może wymagać konwersji, gdy odbiorca lub starsza aplikacja obsługuje skoroszyty Excel, ale nie pliki danych GenePattern. Eksport macierzy jako .xls umożliwia jej edycję w starszym oprogramowaniu arkuszy kalkulacyjnych zgodnym z Excel, ale oryginalny plik GCT powinien pozostać źródłem nadrzędnym.

Czym jest format GCT

W kategorii Documents skrót GCT zwykle oznacza Gene Cluster Text — rozdzielany tabulatorami format tekstowy używany do przechowywania macierzy ekspresji genów i innych danych genomowych. Odczytują go i generują GenePattern, narzędzia Broad Institute oraz zgodne programy bioinformatyczne.

Typowy plik GCT 1.2 zawiera wiersz wersji, taki jak #1.2, wiersz wymiarów zawierający liczbę wierszy danych i kolumn próbek, nagłówek zaczynający się od Name i Description oraz jeden rozdzielany tabulatorami wiersz dla każdego genu lub innej cechy. Pozostałe pola zwykle zawierają pomiary próbek. Wiersze metadanych GCT są częścią struktury pliku i nie są zwykłymi nagłówkami arkusza kalkulacyjnego.

Czym jest format XLS

XLS to binarny format skoroszytu Microsoft Excel używany w Excel 97–2003. Obsługuje arkusze, formatowanie komórek, formuły, sortowanie, filtrowanie i wykresy oraz może być otwierany przez wiele aplikacji arkuszy kalkulacyjnych.

Każdy arkusz XLS jest ograniczony do 65 536 wierszy i 256 kolumn. Dwa pola identyfikatorów GCT wliczają się do limitu kolumn, dlatego macierz zawierająca więcej niż 254 kolumny próbek nie mieści się w jednym arkuszu XLS. Duże macierze zwykle wymagają formatu XLSX, CSV lub bazy danych.

Jak przekonwertować GCT na XLS

Używanie LibreOffice Calc

1. Utwórz kopię zapasową oryginalnego pliku sample.gct.
2. Aby uzyskać przejrzysty arkusz macierzy, utwórz kopię i usuń z niej wiersz wersji GCT oraz wiersz wymiarów albo zaimportuj plik i pomiń te dwa wiersze. Zachowaj te wartości oddzielnie, jeśli są potrzebne do identyfikacji pochodzenia danych.
3. Otwórz kopię w LibreOffice Calc. Jeśli Calc nie rozpoznaje rozszerzenia, zmień nazwę kopii na sample.txt; zmienia to tylko nazwę, a nie zawartość rozdzielaną tabulatorami.
4. W oknie importu tekstu wybierz Separated by, włącz opcję Tab i wyłącz pozostałe separatory. Sprawdź, czy elementy Name, Description, nazwy próbek i pomiary znajdują się w oddzielnych kolumnach.
5. Ustaw identyfikatory genów i inne pola identyfikatorów jako tekst, jeśli zawierają zera wiodące, długie ciągi wyglądające jak liczby lub znaki, które Calc może zinterpretować w inny sposób.
6. Wybierz File → Save As, wybierz Excel 97–2003 (*.xls) i potwierdź ostrzeżenie dotyczące starszego formatu.

Calc jest praktycznym rozwiązaniem lokalnym, ponieważ odczytuje tekst rozdzielany tabulatorami i zapisuje starszy format XLS bez konieczności korzystania z pośredniej usługi konwersji.

Używanie Microsoft Excel

1. Użyj kopii pliku GCT i zmień jej nazwę na .txt, jeśli Excel nie wyświetla pliku .gct w oknie otwierania lub importowania.
2. Wybierz Data → From Text/CSV, wskaż plik i ustaw separator na Tab.
3. Usuń lub pomiń dwa pierwsze wiersze struktury GCT w arkuszu macierzy. Jeśli muszą zostać zachowane, umieść wersję i wymiary w oddzielnych komórkach lub osobnym arkuszu.
4. Jeśli to możliwe, przed załadowaniem ustaw kolumny identyfikatorów jako tekst, a następnie porównaj wartości próbek i reprezentatywne identyfikatory genów z plikiem źródłowym.
5. Wybierz File → Save As, wybierz Excel 97-2003 Workbook (*.xls) i zaakceptuj ostrzeżenie dotyczące zgodności.

Używanie powtarzalnego skryptu

W przypadku przetwarzania wsadowego przeanalizuj tabelę GCT po jej dwóch wierszach strukturalnych i początkowo zachowaj każde pole jako tekst. Zapobiega to niepożądanej konwersji identyfikatorów, dat i długich wartości.

import pandas as pd

df = pd.read_csv('sample.gct', sep='\t', skiprows=2,
                 dtype=str, keep_default_na=False)
df.to_excel('sample.xlsx', index=False)

Ten kod tworzy plik XLSX, a nie XLS. Otwórz wynik w Calc lub Excel i użyj opcji File → Save As → Excel 97–2003 (*.xls). Konwertuj wybrane kolumny pomiarów na wartości liczbowe tylko wtedy, gdy wymagane są obliczenia. Jeśli metadane GCT mają zostać zachowane, odczytaj dwa pierwsze wiersze oddzielnie i zapisz je w arkuszu metadanych.

Nie ma powszechnie obsługiwanej, dedykowanej usługi online GCT-to-XLS, która niezawodnie rozumiałaby wiersze wersji i wymiarów GCT. Ogólne witryny konwersji mogą traktować plik jako niepodzielony tekst, przesunąć nagłówek tabeli lub zmienić wartości liczbowe. Dane dotyczące ekspresji genów mogą również być poufne, dlatego bezpieczniejsze są lokalne aplikacje Calc i Excel albo kontrolowany skrypt.

Arkusz online może służyć jako rozwiązanie awaryjne dla małej, niepoufnej macierzy: usuń dwa pierwsze wiersze GCT z kopii, prześlij wynikowy tekst rozdzielany tabulatorami do Google Sheets lub Excel for the web, zweryfikuj zaimportowane kolumny i wyeksportuj skoroszyt Excel. Usługi te zwykle eksportują pliki XLSX, a nie starszy format XLS, dlatego końcowy zapis jako XLS nadal wymaga desktopowego Excela lub LibreOffice.

Ograniczenia jakości i zgodności

• Umieszczenie #1.2 i wiersza wymiarów w komórkach skoroszytu zachowuje ich tekst, ale nie sprawia, że skoroszyt staje się prawidłowym plikiem GCT.
• Oprogramowanie arkuszy kalkulacyjnych może konwertować identyfikatory genów, daty, zera wiodące, długie liczby całkowite i notację naukową. Po eksporcie porównaj reprezentatywne komórki z oryginałem.
• Formatowanie i formuły dodane do skoroszytu nie są częścią źródła GCT i znikną, jeśli skoroszyt zostanie ponownie wygenerowany na podstawie tego źródła.
• Macierze GCT przekraczające limity arkusza XLS należy eksportować jako XLSX, dzielić między arkusze lub pliki albo przechowywać w innym systemie tabelarycznym.
• Zapisywanie pól pomiarowych jako tekstu chroni dokładne wartości wejściowe, ale uniemożliwia standardowe obliczenia arkuszowe do czasu jawnej konwersji wymaganych kolumn na liczby.