Převod souboru GCT do XLS

Matice genové exprese může vyžadovat převod, pokud příjemce nebo starší aplikace přijímá sešity Excel, ale ne datové soubory GenePattern. Export matice jako .xls umožní její úpravy ve starším tabulkovém softwaru kompatibilním s Excelem, původní soubor GCT by však měl zůstat autoritativním zdrojem.

Co je formát GCT

V kategorii Dokumenty znamená GCT obvykle Gene Cluster Text, textový formát oddělený tabulátory používaný pro matice genové exprese a další genomická data. GenePattern, nástroje Broad Institute a kompatibilní bioinformatické programy jej načítají a generují.

Běžný soubor GCT 1.2 obsahuje řádek s verzí, například #1.2, řádek s rozměry obsahující počet datových řádků a vzorkových sloupců, záhlaví začínající položkami Name a Description a jeden řádek oddělený tabulátory pro každý gen nebo jinou vlastnost. Zbývající pole obvykle obsahují měření vzorků. Řádky metadat GCT jsou součástí struktury souboru a nejsou běžnými záhlavími tabulky.

Co je formát XLS

XLS je binární formát sešitů Microsoft Excelu pro Excel 97–2003. Podporuje listy, formátování buněk, vzorce, řazení, filtrování a grafy a lze jej otevřít v mnoha tabulkových aplikacích.

Každý list XLS je omezen na 65 536 řádků a 256 sloupců. Dvě identifikační pole GCT se započítávají do limitu sloupců, takže matice s více než 254 vzorkovými sloupci se do jednoho listu XLS nevejde. Velké matice obvykle vyžadují XLSX, CSV nebo databázi.

Jak převést GCT na XLS

Pomocí LibreOffice Calc

1. Vytvořte zálohu původního souboru sample.gct.
2. Pro čistý list s maticí vytvořte kopii a odstraňte z ní řádky s verzí GCT a rozměry, případně soubor importujte a tyto dva řádky přeskočte. Pokud jsou tyto hodnoty potřebné pro dohledatelnost, uložte je samostatně.
3. Otevřete kopii v LibreOffice Calc. Pokud Calc příponu nerozpozná, přejmenujte kopii na sample.txt; změní se pouze název, nikoli obsah oddělený tabulátory.
4. V dialogu importu textu zvolte Odděleno, povolte Tabulátor a zakažte ostatní oddělovače. Zkontrolujte, že položky Name, Description, názvy vzorků a měření jsou v samostatných sloupcích.
5. Identifikátory genů a další identifikační pole nastavte jako text, pokud obsahují úvodní nuly, dlouhé řetězce vypadající jako čísla nebo znaky, které by Calc mohl interpretovat jinak.
6. Zvolte File → Save As, vyberte Excel 97–2003 (*.xls) a potvrďte upozornění týkající se staršího formátu.

Calc je praktickou lokální možností, protože načítá text oddělený tabulátory a zapisuje starší XLS bez nutnosti využití mezilehlé konverzní služby.

Pomocí Microsoft Excelu

1. Použijte kopii souboru GCT a přejmenujte ji na .txt, pokud Excel soubor .gct nezobrazuje v dialogu pro otevření nebo import.
2. Zvolte Data → From Text/CSV, vyberte soubor a nastavte oddělovač na Tab.
3. Pro list s maticí odstraňte nebo přeskočte první dva strukturální řádky GCT. Pokud je nutné je zachovat, uložte verzi a rozměry do samostatných buněk nebo na samostatný list.
4. Pokud je to možné, nastavte identifikační sloupce před načtením jako text a poté porovnejte hodnoty vzorků a reprezentativní ID genů se zdrojovým souborem.
5. Zvolte File → Save As, vyberte Excel 97-2003 Workbook (*.xls) a přijměte upozornění týkající se kompatibility.

Pomocí opakovaně použitelného skriptu

Pro dávkové zpracování analyzujte tabulku GCT za jejími dvěma strukturálními řádky a zpočátku ponechte každé pole jako text. Tím zabráníte nežádoucímu převodu identifikátorů, dat a dlouhých hodnot.

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)

Tento kód vytvoří XLSX, nikoli XLS. Otevřete výsledek v Calcu nebo Excelu a použijte File → Save As → Excel 97–2003 (*.xls). Vybrané sloupce s měřeními převádějte na číselný typ pouze tehdy, když jsou vyžadovány výpočty. Pokud chcete zachovat metadata GCT, načtěte první dva řádky samostatně a zapište je na list s metadaty.

Možnosti online převodu

Neexistuje široce podporovaná specializovaná online služba pro převod GCT na XLS, která by spolehlivě rozuměla řádkům s verzí a rozměry GCT. Obecné konverzní weby mohou se souborem zacházet jako s nerozlišeným textem, posunout záhlaví tabulky nebo změnit číselné hodnoty. Data genové exprese mohou být také důvěrná, takže bezpečnější je místní Calc, Excel nebo řízený skript.

Online tabulkový nástroj může posloužit jako záložní řešení pro necitlivou malou matici: v kopii odstraňte první dva řádky GCT, výsledný text oddělený tabulátory nahrajte do Google Sheets nebo Excelu pro web, ověřte importované sloupce a exportujte sešit Excel. Tyto služby obvykle exportují XLSX namísto staršího XLS, takže konečné uložení ve formátu XLS stále vyžaduje desktopový Excel nebo LibreOffice.

Omezení kvality a kompatibility

• Vložení #1.2 a řádku s rozměry do buněk sešitu zachová jejich text, ale neudělá ze sešitu platný soubor GCT.
• Tabulkový software může převádět identifikátory genů, data, úvodní nuly, dlouhá celá čísla a vědecký zápis. Po exportu porovnejte reprezentativní buňky s původním souborem.
• Formátování a vzorce přidané do sešitu nejsou součástí zdroje GCT a při opětovném vygenerování sešitu z tohoto zdroje zmizí.
• Matice GCT překračující limity listu XLS musí být exportovány jako XLSX, rozděleny mezi listy nebo soubory, případně uloženy v jiném tabulkovém systému.
• Uložení polí s měřeními jako text chrání přesné vstupní hodnoty, ale znemožní běžné aritmetické operace v tabulce, dokud nebudou požadované sloupce explicitně převedeny na čísla.