下面我们选择出我们想要的pathway的gene list。以hsa04066为例 result = hsa_kegg_anno[hsa_kegg_anno$pathway == 'path:hsa04066', ] demo.png 最后将我们需要的数据保存下来 geneName_geneID=result[,3:4]write.table(geneName_geneID,file='filename.txt',sep='\t',row.names=FALSE,col.names=TRUE)...
hsapathway <- downloadPathways("hsa") #只有在第一次运行这句代码时,耗时较长 ### retrieve gene sets hsa <- getGenesets(org = "hsa", db = "kegg", gene.id.type = "SYMBOL",cache = TRUE, return.type="list") ##只有在第一次运行这句代码时,耗时较长 writeGMT(hsa, gmt.file = "20230...
kegg_gsea_panda<-as.data.frame(egmt@result)colnames(kegg_gsea_panda)#保存结果到当前工作目录 write.table(kegg_gsea_panda,"kegg_gsea_panda.xls",row.names=F,sep="\t",quote=F) PS: genelist 和genesets都用的是gene ID, 因此这里直接用gene ID进行mapping. 没有将ID转换为symbol. 参考网址: htt...
pathway_data<-as.data.frame(pathway) write.table(pathway_data,"<path>/KEGG_pathway_allspacies_database.txt",row.names = T,col.names = F,sep = "\t") ##对单个(小麦)数据库进行物种的选择 taes_pathway <-keggList("pathway","taes")#taes是小麦的缩写 taes_pathway_data<-as.data.frame(tae...
当然,也可以网页查询。https://www.genome.jp/kegg/catalog/org_list.html 可以看到,大熊猫在KEGG数据库对应的缩写为“aml” 最出名的物种当然是人类了,人类数据分析超级便捷,到处是造好的轮子。 3.获取大熊猫的KEGG通路及基因集 aml_path <- keggLink("pathway","aml")#得到字符型向量。元素名为基因id,元素...
aml.kegg$gene <- str_replace_all(aml.kegg$gene,"aml:",'') aml.kegg[1:6,]#包含两列,一列term为通路名称,一列gene为基因id 如下所示,基本的数据整理能力: 5.利用clusterProfile进行GSEA (前提是已获得排序好的genelist) genesets <- aml.kegg ...
taes_pathway_data<-as.data.frame(taes_pathway)write.table(taes_pathway_data,"<path>/KEGG_pathway_wheat_database.txt",row.names=T,col.names=F,sep="\t")##获取KO(所有基因)数据集中的数据Ko<-keggList("ko")Ko_data<-as.data.frame(Ko)write.table(Ko_data,"<path>/KEGG_KO_allspacies_dat...
当然,也可以网页查询。https://www.genome.jp/kegg/catalog/org_list.html 可以看到,大熊猫在KEGG数据库对应的缩写为“aml” 物种的kegg代号 最出名的物种当然是人类了,人类数据分析超级便捷,到处是造好的轮子。 3.获取大熊猫的KEGG通路及基因集 aml_path <- keggLink("pathway","aml") ...
aml.kegg$gene <- str_replace_all(aml.kegg$gene,"aml:",'') aml.kegg[1:6,] #包含两列,一列term为通路名称,一列gene为基因id 如下所示,基本的数据整理能力: 5.利用clusterProfile进行GSEA (前提是已获得排序好的genelist) genesets <- aml.kegg ...