R语言-制作motif的PWM

目录

  • 一、PWM与PFM的介绍
  • 二、根据碱基序列手工制作PFM与PPM
    • 1. 主要实现函数
    • 2. 实现效果
      • 2.1 制作DNA的motif logo
      • 2.2 制作RNA的motif logo
  • 三、PFM-\>PPM-\>PWM
  • 四、待优化

一、PWM与PFM的介绍

motif指的是转录因子偏好结合的DNA序列模式或RNA结合蛋白偏好结合的序列模式,一般使用PWM来表示motif。

制作PWM的过程如下:

  1. 首先计算所有序列每个位置的碱基频数,可以得到PFM(Position Frequency
    Matrix),这个可以作为ggseqlogo包的输入来绘制motif图。
  2. 通过PFM可以进一步计算得到PPM(Position Probability
    Matrix),表示位置频率矩阵,是计算了每个位置四种碱基的出现频率后得到的矩阵,这个PPM矩阵可以作为TOMTOM的输入去与其他motif数据库比对。
  3. 将PPM中的频率除以碱基背景频率然后取对数(log2)以后就得到了PWM(Position
    Weight Matrix)矩阵。

制作PWM的一个示例数据可参考我之前写的博客。

下面介绍一下如何使用R语言来计算motif的PFM和PPM,代码参考了ggseqlogo的源代码并进行了修改与注释。

二、根据碱基序列手工制作PFM与PPM

要实现的目标:输入含有n条相同长度的DNA或RNA序列,返回可以表征该motif的PFM或PPM。

1. 主要实现函数

letterMatrix <- function(input){
  # Ensure kmers are the same length characters(ggseqlogo)
  # 首先要确保输入的碱基序列的长度都是一致的
  seq.len = sapply(input, nchar) # 计算每条序列的碱基数目
  num_pos = seq.len[1] # 第一条序列的碱基数目
  if(! all(seq.len == num_pos)) { # 所有序列的碱基数目必须一致,不一致则报错
    stop('Sequences in alignment must have identical lengths')
  }

  # Construct matrix of letters(ggseqlogo)
  # 接下来构建一个矩阵,每个元素是一个碱基
  split = unlist( sapply(input, function(seq){strsplit(seq, '')}) ) # strsplit可以将字符串切割成单个字符

  t( matrix(split, seq.len, length(split)/num_pos) )
}

make_ppm <- function(seqs, ppm=TRUE, seq_type="dna") {
  # seqs: A vector of strings, each string is a DNA or RNA sequence
  # ppm: Whether to return PPM, default is PPM, else return PFM
  # seq_type: Sequence type, can be "dna" of "rna"

  letter_mat = letterMatrix(seqs) # 构建碱基矩阵,每一行是一条序列,每一列是碱基位置

  # Get namespace(ggseqlogo)
  if(seq_type == "dna") {
    namespace = c("A", "T", "G", "C") 
  } else if (seq_type == "rna" ) {
    namespace = c("A", "U", "G", "C") 
  } else {
    stop('Wrong seq_type! Must be one of "dna" and "rna".')
  }

  # Construct PWM(ggseqlogo)
  pfm_mat = apply(letter_mat, 2, function(pos.data){ # apply第二个参数为2,表示对列进行操作
    # Get frequencies (ggseqlogo)
    t = table(pos.data) # 计算该位置四种碱基的频数
    # Match to aa(ggseqlogo)
    ind = match(namespace, names(t)) # 
    # Create column(ggseqlogo)
    col = t[ind] # 
    col[is.na(col)] = 0
    names(col) = namespace

    if(ppm) { # 若返回PPM,则将碱基频数除以该列碱基总数
      col = col / sum(col)      
    }
    col # 函数返回值col
  })

  num_pos = nchar(seqs[1])
  colnames(pfm_mat) = 1:num_pos
  pfm_mat

}

用法如下:

seqs <- c("CGTAA", "ATTAG", "CTAAG", "ATTAA", "CATAA")
# 计算PPM(TOMTOM的输入格式)
ppm <- make_ppm(seqs, ppm=TRUE)
ppm
##     1   2   3 4   5
## A 0.4 0.2 0.2 1 0.6
## T 0.0 0.6 0.8 0 0.0
## G 0.0 0.2 0.0 0 0.4
## C 0.6 0.0 0.0 0 0.0
# 计算PFM(ggseqlogo的输入格式)
pfm <- make_ppm(seqs, ppm=FALSE) # ppm=FALSE则输出PFM
pfm
##   1 2 3 4 5
## A 2 1 1 5 3
## T 0 3 4 0 0
## G 0 1 0 0 2
## C 3 0 0 0 0

2. 实现效果

ggseqlogo包可以接受一个存储碱基序列的字符串向量或者PFM来绘制motif
logo,下面就依次使用这两种方法对5条DNA和RNA序列绘制motif
logo,以验证手工计算出的PFM与该包计算的结果一致。

2.1 制作DNA的motif logo

首先用ggseqlogo画一下这5条序列的motif logo,如下图所示

# install.packages('ggseqlogo')
library('ggseqlogo')

seqs <- c("CGTAA", "ATTAG", "CTAAG", "ATTAA", "CATAA")
ggseqlogo(seqs)
## Warning: `guides( = FALSE)` is deprecated. Please use `guides( =
## "none")` instead.

R语言-制作motif的PWM_第1张图片

接下来使用上面自定义的函数来计算PFM然后绘制motif logo:

seqs <- c("CGTAA", "ATTAG", "CTAAG", "ATTAA", "CATAA")
pfm <- make_ppm(seqs, ppm=FALSE)
pfm
##   1 2 3 4 5
## A 2 1 1 5 3
## T 0 3 4 0 0
## G 0 1 0 0 2
## C 3 0 0 0 0
ggseqlogo(pfm)
## Warning: `guides( = FALSE)` is deprecated. Please use `guides( =
## "none")` instead.

R语言-制作motif的PWM_第2张图片
可以看到画出来的图与直接使用ggseqlogo的结果是一样的。

该代码也可以计算出PPM(TOMTOM需要的格式),如下所示:

seqs <- c("CGTAA", "ATTAG", "CTAAG", "ATTAA", "CATAA")
pfm <- make_ppm(seqs)
pfm
##     1   2   3 4   5
## A 0.4 0.2 0.2 1 0.6
## T 0.0 0.6 0.8 0 0.0
## G 0.0 0.2 0.0 0 0.4
## C 0.6 0.0 0.0 0 0.0

2.2 制作RNA的motif logo

首先用ggseqlogo画motif logo如下:

# install.packages('ggseqlogo')
library('ggseqlogo')

seqs <- c("CGUAA", "AUUAG", "CUAAG", "AUUAA", "CAUAA")
ggseqlogo(seqs)
## Warning: `guides( = FALSE)` is deprecated. Please use `guides( =
## "none")` instead.

R语言-制作motif的PWM_第3张图片

使用make_ppm函数计算PFM,在对RNA进行计算时需要指定seq_type=“rna”,代码如下:

seqs <- c("CGUAA", "AUUAG", "CUAAG", "AUUAA", "CAUAA")
pfm <- make_ppm(seqs, ppm=FALSE, seq_type='rna')
pfm
##   1 2 3 4 5
## A 2 1 1 5 3
## U 0 3 4 0 0
## G 0 1 0 0 2
## C 3 0 0 0 0
ggseqlogo(pfm)
## Warning: `guides( = FALSE)` is deprecated. Please use `guides( =
## "none")` instead.

R语言-制作motif的PWM_第4张图片

上述logo图与ggseqlogo画出来的结果是一样的。

三、PFM->PPM->PWM

上面实现了根据碱基序列制作PFM与PPM,但如果已经有了PFM呢?有了PFM以后就可以依次计算PPM和PWM了,下面写一下PFM->PPM->PWM的代码。

  1. PFM->PPM

代码如下,

pfm2ppm <- function(pfm) {
  ppm <- apply(pfm, 2, function(col) {col / sum(col)} ) # 对
  return(ppm)
}

# 示例
seqs <- c("CGTAA", "ATTAG", "CTAAG", "ATTAA", "CATAA")
pfm <- make_ppm(seqs, ppm=FALSE)
pfm
##   1 2 3 4 5
## A 2 1 1 5 3
## T 0 3 4 0 0
## G 0 1 0 0 2
## C 3 0 0 0 0
ppm_ori <- make_ppm(seqs)
ppm_ori
##     1   2   3 4   5
## A 0.4 0.2 0.2 1 0.6
## T 0.0 0.6 0.8 0 0.0
## G 0.0 0.2 0.0 0 0.4
## C 0.6 0.0 0.0 0 0.0
ppm <- pfm2ppm(pfm)
ppm
##     1   2   3 4   5
## A 0.4 0.2 0.2 1 0.6
## T 0.0 0.6 0.8 0 0.0
## G 0.0 0.2 0.0 0 0.4
## C 0.6 0.0 0.0 0 0.0
ppm_ori == ppm
##      1    2    3    4    5
## A TRUE TRUE TRUE TRUE TRUE
## T TRUE TRUE TRUE TRUE TRUE
## G TRUE TRUE TRUE TRUE TRUE
## C TRUE TRUE TRUE TRUE TRUE
# 两种方法计算出来的PPM是一致的。
  1. PPM->PWM

由PPM到PWM需要先将PPM除以每种碱基的背景频率(一般情况下四种碱基的背景频率均为0.25),然后取对数(log2)就得到了PWM,代码如下:

ppm2pwm <- function(ppm) {
  pwm <- log2(ppm / 0.25)
  pwm[is.infinite(pwm)] <- 0 # 频率为0的碱基取对数以后是负无穷,需要将其置为0
  return(pwm)
}

seqs <- c("CGTAA", "ATTAG", "CTAAG", "ATTAA", "CATAA")
ppm <- make_ppm(seqs)
ppm
##     1   2   3 4   5
## A 0.4 0.2 0.2 1 0.6
## T 0.0 0.6 0.8 0 0.0
## G 0.0 0.2 0.0 0 0.4
## C 0.6 0.0 0.0 0 0.0
pwm <- ppm2pwm(ppm)
pwm
##           1          2          3 4         5
## A 0.6780719 -0.3219281 -0.3219281 2 1.2630344
## T 0.0000000  1.2630344  1.6780719 0 0.0000000
## G 0.0000000 -0.3219281  0.0000000 0 0.6780719
## C 1.2630344  0.0000000  0.0000000 0 0.0000000
  1. 直接读入PFM矩阵并计算PPM,然后使用ggseqlogo画图
seqs_text <- '  1 2 3 4 5
A 2 1 1 5 3
T 0 3 4 0 0
G 0 1 0 0 2
C 3 0 0 0 0'
seqs_pfm <- read.table(text=seqs_text)
# 计算PPM
pfm2ppm(seqs_pfm)
##    X1  X2  X3 X4  X5
## A 0.4 0.2 0.2  1 0.6
## T 0.0 0.6 0.8  0 0.0
## G 0.0 0.2 0.0  0 0.4
## C 0.6 0.0 0.0  0 0.0
# 直接绘图
library(ggseqlogo)
ggseqlogo(as.matrix(seqs_pfm))
## Warning: `guides( = FALSE)` is deprecated. Please use `guides( =
## "none")` instead.

R语言-制作motif的PWM_第5张图片

四、待优化

  1. 优化代码,使其可自动判断输入类型是DNA还是RNA,即无需指定seq_type参数。
  2. 博客文章需要改一下数字,顺便将代码放上去。

你可能感兴趣的:(R语言,r语言,motif)