Convertir GCT en XLSX

Excel, un système de reporting ou un destinataire qui n’utilise pas GenePattern peut nécessiter la matrice sous la forme d’un classeur .xlsx. Une conversion locale facilite également le filtrage, la création de graphiques, le partage et l’archivage des données sans téléverser des résultats d’expression potentiellement confidentiels.

Qu’est-ce que le format GCT ?

GCT signifie Gene Cluster Text. Il s’agit d’un format texte délimité par des tabulations utilisé pour les matrices d’expression génique et les données génomiques associées, notamment par les outils GenePattern et Gene Set Enrichment Analysis du Broad Institute ; les workflows R et Bioconductor peuvent également le lire ou le créer.

Un fichier GCT versionné standard contient :

• un marqueur de version tel que #1.2 sur la première ligne ;
• le nombre de lignes et de colonnes de données sur la deuxième ligne ;
• un en-tête séparé par des tabulations, commençant normalement par Name et Description, sur la troisième ligne ;
• les identifiants des gènes, les descriptions et les valeurs d’expression sur les lignes suivantes.

L’extension .gct est également utilisée par des logiciels sans rapport. Ouvrez le fichier dans un éditeur de texte et vérifiez que ses premières lignes correspondent à la structure Gene Cluster Text avant d’utiliser ces étapes.

Qu’est-ce que le format XLSX ?

XLSX est le format de classeur Office Open XML pris en charge par Microsoft Excel, LibreOffice Calc, Apple Numbers et de nombreux systèmes de reporting. Il prend en charge les feuilles de calcul, les filtres, les formules, les graphiques, la mise en forme et la validation des données, ce qui le rend adapté à la modification et à la distribution de feuilles de calcul.

XLSX ne remplace pas complètement GCT : le marqueur de version et les dimensions déclarées ne sont normalement pas stockés en tant que métadonnées du classeur, et les applications de feuille de calcul peuvent réinterpréter les valeurs scientifiques ou les identifiants. Conservez le fichier GCT d’origine comme source d’analyse faisant autorité.

Convertir avec Python et pandas

Cette méthode est reproductible et évite la conversion automatique des types par Excel. Installez Python et les packages requis :

python -m pip install pandas openpyxl

Créez 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}")

Placez le script à côté du fichier source, modifiez input.gct et output.xlsx si nécessaire, puis exécutez :

python gct_to_xlsx.py

Le classeur contient l’en-tête tabulaire et les données. La version GCT et la ligne des dimensions sont validées, mais omises de la feuille de calcul ; conservez-les séparément si les utilisateurs en aval ont besoin de ces métadonnées.

Convertir avec Excel ou LibreOffice

Pour un fichier de petite taille et non sensible, importez-le en tant que texte délimité au lieu de simplement renommer l’extension :

• Excel : choisissez Data → From Text/CSV, sélectionnez le fichier GCT, définissez le délimiteur sur Tab et excluez les deux premières lignes si l’aperçu traite les lignes de version et de dimensions comme des enregistrements. Chargez le tableau, puis choisissez File → Save As et sélectionnez Excel Workbook (*.xlsx).
• LibreOffice Calc : choisissez File → Open, sélectionnez Separated by et Tab dans la boîte de dialogue d’importation, excluez les deux premières lignes de métadonnées, puis choisissez File → Save As et sélectionnez Excel 2007–365 (*.xlsx).

Définissez les colonnes d’identifiants sur Text lors de l’importation lorsqu’elles contiennent des zéros initiaux, de longs identifiants ressemblant à des nombres, des dates ou d’autres chaînes qui doivent rester inchangées. Un convertisseur en ligne générique peut ne pas comprendre les deux lignes de métadonnées GCT, et le téléversement de données génomiques peut enfreindre les règles du laboratoire ou de l’établissement. N’utilisez un service en ligne que s’il prend explicitement en charge Gene Cluster Text, produit un fichier XLSX et que votre politique de données autorise le téléversement ; une conversion locale avec Excel, LibreOffice ou Python est plus sûre.

Contrôles de qualité et de compatibilité

• Comparez le nombre de lignes et de colonnes de données de la feuille de calcul avec la deuxième ligne du fichier GCT.
• Vérifiez que les deux premiers champs restent les colonnes d’identifiant et de description, et contrôlez par échantillonnage les valeurs d’expression par rapport à la source.
• Conservez les champs sous forme de texte lorsque les chaînes exactes, les zéros initiaux, les marqueurs de valeurs manquantes tels que NA ou la notation scientifique doivent être préservés. L’exemple Python désactive la conversion par défaut des valeurs manquantes de pandas ; certaines colonnes d’expression peuvent être converties ultérieurement en valeurs numériques.
• Ne vous attendez pas à ce que les métadonnées de version propres à GCT, les commentaires ou la sémantique d’analyse soient conservés en tant que métadonnées natives XLSX. Ajoutez une note dans une feuille de calcul ou une feuille de métadonnées distincte si le destinataire a besoin de ce contexte.
• Les feuilles de calcul Excel autorisent au maximum 1,048,576 lignes et 16,384 colonnes. Les grandes matrices peuvent dépasser ces limites ou devenir lentes ; conservez GCT pour les calculs et n’exportez que les gènes, les échantillons ou les statistiques récapitulatives sélectionnés lorsque cela est nécessaire.