WGDI之深入理解blockinfo输出结果
blockinfo模块输出文件以csv格式进行存放，共23列，可以用EXCEL直接打开。
block info
其中16列非常容易裂解，描述如下
-
id即共线性的结果的唯一标识 -
chr1,start1,end1即参考基因组（点图的左边）的共线性范围（对应GFF1的位置） -
chr2,start2,end2即参考基因组（点图的上边）的共线性范围（对应GFF2的位置) -
pvalue即共线性结果评估，常常认为小于0.01的更合理些 -
length即共线性片段中基因对数目 -
ks_median即共线性片段上所有基因对ks的中位数（主要用来评判ks分布的） -
ks_average即共线性片段上所有基因对ks的平均值 -
block1,block2分别为共线性片段上基因order的位置。 -
ks共线性片段上所有基因对的ks值 -
density1,density2共线性片段的基因分布密集程度。值越小表示稀疏。
最后两列，class1和 class2会在 alignment 模块中用到，对应的是两个block分组，默认值是0表示两个block是同一组。这两列后期需要自己根据覆盖率，染色体核型等多个方面进行确定。举个例子，我们可以根据 homo1 的取值范围对class1进行赋值，例如-1~-0.5 是 1，-0.5 ~ 0.5 是2，0.5~1是3，最后在alignment中会就会用三种颜色来展示，例如下图的1,2,3分别对应red,blue,green.
alignment
中间的homo1,homo2,homo3,homo4,homo5并非那么直观，先说结论：
-
这里的homoN(N=1,2,3,4,5) 表示一个基因有N个最佳匹配时的取值
-
N由mutiple参数确定，对应点阵图(dotplot)中的红点
-
multiple的取值一般取1即可，表示最近一次的WGD可能是一次二倍化事件，因此每个基因只会有一个最佳匹配。如果设置为2，可能是一次3倍化，每个基因由两个最佳匹配。当然实际情况可能会更加复杂，比如说异源四倍体，或者异源六倍体，或者没有多倍化只是小规模的基因复制(small-scale gene duplication) 等情况，也会影响multiple的设置。
-
homoN会在后面过滤共线性区块时用到，一般最近的WGD事件所产生的共线性区块会比较接近1，而古老的WGD产生的共线性区块则接近-1.
接着，我们将根据源代码 blast_homo和blast_position 来说明结算过程。
首先需要用到blast_homo函数，用来输出每个基因对在不同最佳匹配情况下的取值（-1,0,1)。
def blast_homo(self, blast, gff1, gff2, repeat_number):
index = [group.sort_values(by=11, ascending=False)[:repeat_number].index.tolist()
for name, group in blast.groupby([0])]
blast = blast.loc[np.concatenate(
np.array([k[:repeat_number] for k in index], dtype=object)), [0, 1]]
blast = blast.assign(homo1=np.nan, homo2=np.nan,
homo3=np.nan, homo4=np.nan, homo5=np.nan)
for i in range(1, 6):
bluenum = i+5
redindex = np.concatenate(
np.array([k[:i] for k in index], dtype=object))
blueindex = np.concatenate(
np.array([k[i:bluenum] for k in index], dtype=object))
grayindex = np.concatenate(
np.array([k[bluenum:repeat_number] for k in index], dtype=object))
blast.loc[redindex, 'homo'+str(i)] = 1
blast.loc[blueindex, 'homo'+str(i)] = 0
blast.loc[grayindex, 'homo'+str(i)] = -1
return blast
for循环前的代码作用是提取每个基因BLAST后的前N个最佳结果。循环的作用基因对进行赋值，主要规则是基因对如果在点图中为红色，赋值为1，蓝色赋值为0，灰色赋值为-1。
-
homo1 对应 redindex = 0:1, bluenum = 1:6, grayindex = 6:repeat_number
-
homo2 对应redindex = 0:2, bluenum = 2:7, grayindex = 7:repeat_number
-
...
-
homo5对应redindex=0:5, bluenum=5:10, grayindex = 10:repeat_number
最终函数返回的就是每个基因对，在不同最佳匹配数下的赋值结果。
0 1 homo1 homo2 homo3 homo4 homo5
185893 AT1G01010 AT4G01550 1.0 1.0 1.0 1.0 1.0
185894 AT1G01010 AT1G02230 0.0 1.0 1.0 1.0 1.0
185899 AT1G01010 AT4G35580 -1.0 0.0 0.0 0.0 0.0
185900 AT1G01010 AT1G33060 -1.0 -1.0 0.0 0.0 0.0
185901 AT1G01010 AT3G49530 -1.0 -1.0 -1.0 0.0 0.0
185902 AT1G01010 AT5G24590 -1.0 -1.0 -1.0 -1.0 0.0
250822 AT1G01030 AT1G13260 0.0 0.0 0.0 1.0 1.0
250823 AT1G01030 AT1G68840 0.0 0.0 0.0 0.0 1.0
250825 AT1G01030 AT1G25560 0.0 0.0 0.0 0.0 0.0
250826 AT1G01030 AT3G25730 -1.0 0.0 0.0 0.0 0.0
250824 AT1G01030 AT5G06250 -1.0 -1.0 0.0 0.0 0.0
然后block_position函数, 会用 for k in block[1]的循环提取每个共线性区块中每个基因对的homo值，然后用 df = pd.DataFrame(blk_homo) 和 homo = df.mean().values求均值。
def block_position(self, collinearity, blast, gff1, gff2, ks):
data = []
for block in collinearity:
blk_homo, blk_ks = [], []
if block[1][0][0] not in gff1.index or block[1][0][2] not in gff2.index:
continue
chr1, chr2 = gff1.loc[block[1][0][0],
'chr'], gff2.loc[block[1][0][2], 'chr']
array1, array2 = [float(i[1]) for i in block[1]], [
float(i[3]) for i in block[1]]
start1, end1 = array1[0], array1[-1]
start2, end2 = array2[0], array2[-1]
block1, block2 = [], []
## 提取block中对应基因对的homo值
for k in block[1]:
block1.append(int(float(k[1])))
block2.append(int(float(k[3])))
if k[0]+","+k[2] in ks.index:
pair_ks = ks[str(k[0])+","+str(k[2])]
blk_ks.append(pair_ks)
elif k[2]+","+k[0] in ks.index:
pair_ks = ks[str(k[2])+","+str(k[0])]
blk_ks.append(pair_ks)
else:
blk_ks.append(-1)
if k[0]+","+k[2] not in blast.index:
continue
blk_homo.append(
blast.loc[k[0]+","+k[2], ['homo'+str(i) for i in range(1, 6)]].values.tolist())
ks_arr = [k for k in blk_ks if k >= 0]
if len(ks_arr) == 0:
ks_median = -1
ks_average = -1
else:
arr_ks = [k for k in blk_ks if k >= 0]
ks_median = base.get_median(arr_ks)
ks_average = sum(arr_ks)/len(arr_ks)
# 对5列homo值求均值
df = pd.DataFrame(blk_homo)
homo = df.mean().values
if len(homo) == 0:
homo = [-1, -1, -1, -1, -1]
blkks = '_'.join([str(k) for k in blk_ks])
block1 = '_'.join([str(k) for k in block1])
block2 = '_'.join([str(k) for k in block2])
data.append([block[0], chr1, chr2, start1, end1, start2, end2, block[2], len(
block[1]), ks_median, ks_average, homo[0], homo[1], homo[2], homo[3], homo[4], block1, block2, blkks])
data = pd.DataFrame(data, columns=['id', 'chr1', 'chr2', 'start1', 'end1', 'start2', 'end2',
'pvalue', 'length', 'ks_median', 'ks_average', 'homo1', 'homo2', 'homo3',
'homo4', 'homo5', 'block1', 'block2', 'ks'])
data['density1'] = data['length'] / \
((data['end1']-data['start1']).abs()+1)
data['density2'] = data['length'] / \
((data['end2']-data['start2']).abs()+1)
return data
最终得到的homo1的homo5，是不同最佳匹配基因数下计算的值。如果共线性的点大部分为红色，那么该值接近于1；如果共线性的点大部分为蓝色，那么该值接近于0；如果共线性的点大部分为灰色，那么该值接近于-1。也就是我们可以根据最初的点图中的颜色来确定将来筛选不同WGD事件所产生共线性区块。
这也就是为什么homoN可以作为共线性片段的筛选标准。
