Převod souboru GCT do XLSX

Excel, reportingový systém nebo příjemce, který nepoužívá GenePattern, může vyžadovat matici jako sešit .xlsx. Lokální převod také usnadňuje filtrování, vytváření grafů, sdílení a archivaci dat bez nahrávání potenciálně důvěrných výsledků exprese.

Co je formát GCT

GCT znamená Gene Cluster Text. Jedná se o textový formát oddělený tabulátory, který se používá pro matice genové exprese a související genomická data, zejména v nástrojích GenePattern a Gene Set Enrichment Analysis od Broad Institute; pracovní postupy v R a Bioconductor jej také mohou číst nebo vytvářet.

Standardní verzovaný soubor GCT obsahuje:

• označení verze, například #1.2, na prvním řádku;
• počty řádků dat a sloupců dat na druhém řádku;
• hlavičku oddělenou tabulátory, která obvykle začíná hodnotami Name a Description, na třetím řádku;
• identifikátory genů, popisy a hodnoty exprese na následujících řádcích.

Přípona .gct se používá také jiným, nesouvisejícím softwarem. Otevřete soubor v textovém editoru a před použitím těchto kroků ověřte, že jeho první řádky odpovídají struktuře Gene Cluster Text.

Co je formát XLSX

XLSX je formát sešitu Office Open XML podporovaný aplikacemi Microsoft Excel, LibreOffice Calc, Apple Numbers a mnoha reportingovými systémy. Podporuje listy, filtry, vzorce, grafy, formátování a ověřování dat, takže je vhodný pro úpravy a distribuci tabulek.

XLSX není úplnou náhradou za GCT: označení verze a deklarované rozměry se obvykle neukládají jako metadata sešitu a tabulkové aplikace mohou změnit interpretaci vědeckých hodnot nebo identifikátorů. Původní soubor GCT uchovávejte jako autoritativní zdroj pro analýzu.

Převod pomocí Pythonu a pandas

Tato metoda je reprodukovatelná a zabraňuje automatickému převodu typů v Excelu. Nainstalujte Python a požadované balíčky:

python -m pip install pandas openpyxl

Vytvořte soubor gct_to_xlsx.py:

import pandas as pd

source = "input.gct"
target = "output.xlsx"

with open(source, "r", encoding="utf-8-sig", newline="") as f:
    version = f.readline().strip()
    dimensions = f.readline().rstrip("\r\n").split("\t")

if not version.startswith("#"):
    raise ValueError("Missing GCT version marker")
if len(dimensions) < 2 or not all(x.isdigit() for x in dimensions[:2]):
    raise ValueError("Invalid GCT dimension line")

rows, columns = map(int, dimensions[:2])
data = pd.read_csv(
    source,
    sep="\t",
    skiprows=2,
    dtype=str,
    keep_default_na=False,
    na_filter=False,
    encoding="utf-8-sig"
)

if len(data) != rows or len(data.columns) != columns:
    raise ValueError(
        f"Declared size is {rows} x {columns}, "
        f"but the table is {len(data)} x {len(data.columns)}"
    )

data.to_excel(target, index=False, sheet_name="GCT data")
print(f"Wrote {target}")

Umístěte skript vedle zdrojového souboru, v případě potřeby změňte input.gct a output.xlsx a spusťte:

python gct_to_xlsx.py

Sešit obsahuje tabulkovou hlavičku a data. Verze GCT a řádek s rozměry jsou ověřeny, ale do listu se nezapisují; pokud následní uživatelé tato metadata potřebují, uchovejte je samostatně.

Převod pomocí Excelu nebo LibreOffice

U malého souboru bez citlivých údajů jej importujte jako text oddělený oddělovači, nikoli pouze přejmenováním přípony:

• Excel: zvolte Data → From Text/CSV, vyberte soubor GCT, nastavte oddělovač na Tab a vynechejte první dva řádky, pokud náhled považuje řádky s verzí a rozměry za záznamy. Načtěte tabulku, poté zvolte File → Save As a vyberte Excel Workbook (*.xlsx).
• LibreOffice Calc: zvolte File → Open, v importním dialogu vyberte Separated by a Tab, vynechejte první dva řádky metadat, poté zvolte File → Save As a vyberte Excel 2007–365 (*.xlsx).

Pokud sloupce identifikátorů obsahují počáteční nuly, dlouhé číselně vypadající identifikátory, data nebo jiné řetězce, které musí zůstat nezměněné, nastavte je během importu na typ Text. Obecný online převodník nemusí rozumět dvěma řádkům metadat GCT a nahrávání genomických dat může být v rozporu s pravidly laboratoře nebo instituce. Online službu použijte pouze tehdy, pokud výslovně podporuje Gene Cluster Text, vytváří soubor XLSX a zásady pro práci s vašimi daty nahrávání umožňují; bezpečnější je lokální převod pomocí Excelu, LibreOffice nebo Pythonu.

Kontroly kvality a kompatibility

• Porovnejte počty řádků dat a sloupců dat v listu s druhým řádkem GCT.
• Ověřte, že první dvě pole zůstala sloupci identifikátoru a popisu, a namátkově porovnejte hodnoty exprese se zdrojovým souborem.
• Pokud je nutné zachovat přesné řetězce, počáteční nuly, značky chybějících hodnot, například NA, nebo vědecký zápis, ponechte pole jako text. Příklad v Pythonu deaktivuje výchozí převod chybějících hodnot v pandas; vybrané sloupce exprese lze později převést na číselné hodnoty.
• Neočekávejte, že metadata verze specifická pro GCT, komentáře nebo sémantika analýzy zůstanou zachovány jako nativní metadata XLSX. Pokud příjemce tento kontext potřebuje, přidejte poznámku do listu nebo samostatný list s metadaty.
• Listy Excelu umožňují maximálně 1,048,576 řádků a 16,384 sloupců. Velké matice mohou tyto limity překročit nebo se mohou načítat pomalu; pro výpočty uchovávejte GCT a v případě potřeby exportujte pouze vybrané geny, vzorky nebo souhrnné statistiky.