Convertir XLSX en GCT

Les applications de génomique telles que GSEA et GenePattern nécessitent des matrices d’expression au format GCT, tandis que les laboratoires reçoivent couramment ces matrices sous forme de classeurs Excel. La conversion du classeur est nécessaire avant de pouvoir importer les données dans ces outils, les partager sous forme de matrice brute ou les traiter de manière reproductible.

Qu’est-ce que le format XLSX ?

XLSX est le format de classeur basé sur XML utilisé par Microsoft Excel, LibreOffice Calc, Apple Numbers et de nombreux systèmes de laboratoire ou de reporting. Il peut contenir plusieurs feuilles de calcul, des formules, une mise en forme, des graphiques, des cellules fusionnées, des métadonnées et des types de données mixtes. Une feuille d’expression place généralement les identifiants des caractéristiques dans la première colonne, les descriptions dans la deuxième et les mesures des échantillons dans les colonnes restantes.

Qu’est-ce que le format GCT ?

En génomique, GCT signifie Gene Cluster Text. Il s’agit d’un format de matrice en texte brut, délimité par des tabulations, utilisé par Broad GSEA, GenePattern et les logiciels compatibles d’analyse de l’expression. Un fichier GCT 1.2 standard contient :

• #1.2 sur la première ligne ;
• le nombre de lignes de caractéristiques et de colonnes d’échantillons sur la deuxième ligne ;
• un en-tête commençant par Name et Description, suivi des noms des échantillons ;
• une ligne pour chaque gène, sonde, transcrit ou autre caractéristique mesurée.

Les fichiers GCT sont plus petits et plus faciles à analyser pour les logiciels d’analyse que les classeurs mis en forme. Ils ne conservent pas la mise en forme Excel, les formules, les graphiques, les cellules fusionnées, les feuilles de calcul multiples ni les métadonnées du classeur.

Préparer la feuille de calcul

Avant l’exportation, sélectionnez la feuille de calcul qui contient la matrice et supprimez les lignes de titre, les notes, les totaux, les enregistrements vides et les colonnes sans rapport. Organisez les données comme suit :

• Colonne A : un identifiant de caractéristique stable tel qu’un symbole de gène, un ID de sonde ou un ID Ensembl ;
• Colonne B : une description, ou une colonne vide si aucune description n’est disponible ;
• Colonnes C et suivantes : uniquement les valeurs numériques des échantillons.

Utilisez une ligne par caractéristique, des identifiants de caractéristiques uniques lorsque le logiciel de destination l’exige, ainsi que des noms d’échantillons non vides et dépourvus de tabulations ou de sauts de ligne. Déterminez si les valeurs sont des comptages bruts, des valeurs normalisées ou des valeurs transformées en logarithme avant la conversion ; le passage de XLSX à GCT ne normalise pas les données biologiques et ne les modifie d’aucune autre manière.

Convertir avec Python

Python avec pandas et openpyxl permet une conversion reproductible et signale les cellules mal formées au lieu d’en deviner silencieusement la signification. Installez les packages avec :

python -m pip install pandas openpyxl

Enregistrez ce script sous xlsx_to_gct.py. Il suppose que la première feuille de calcul présente la structure décrite ci-dessus.

import pandas as pd

source = "input.xlsx"
target = "output.gct"
df = pd.read_excel(source, sheet_name=0)

if df.shape[1] < 3:
    raise ValueError("The worksheet needs ID, Description, and at least one sample column")

ids = df.iloc[:, 0]
descriptions = df.iloc[:, 1].fillna("").astype(str)
samples = df.iloc[:, 2:].apply(pd.to_numeric, errors="coerce")

if ids.isna().any() or ids.astype(str).str.strip().eq("").any():
    raise ValueError("Feature identifiers cannot be blank")
if ids.astype(str).duplicated().any():
    raise ValueError("Feature identifiers must be unique")
if samples.isna().any().any():
    raise ValueError("Sample columns contain blank or nonnumeric values")
if any("\t" in str(x) or "\n" in str(x) for x in list(ids) + list(samples.columns)):
    raise ValueError("Identifiers and sample names cannot contain tabs or line breaks")

with open(target, "w", encoding="utf-8", newline="") as file:
    file.write("#1.2\n")
    file.write(f"{len(df)}\t{len(samples.columns)}\n")
    file.write("Name\tDescription\t" + "\t".join(str(x) for x in samples.columns) + "\n")
    for row in range(len(df)):
        values = "\t".join(str(x) for x in samples.iloc[row])
        file.write(f"{ids.iloc[row]}\t{descriptions.iloc[row]}\t{values}\n")

Exécutez-le avec python xlsx_to_gct.py. Ouvrez output.gct dans un éditeur de texte et vérifiez que la deuxième ligne contient le nombre réel de lignes de caractéristiques et de colonnes d’échantillons, et que la première ligne de données suit immédiatement l’en-tête.

Alternatives de bureau et basées sur le Web

Pour un flux de travail graphique sur ordinateur, utilisez LibreOffice Calc ou Excel pour nettoyer la feuille de calcul et exportez-la en tant que fichier texte délimité par des tabulations, puis ajoutez la ligne de version GCT, la ligne de dimensions et les en-têtes Name/Description à l’aide d’un éditeur de texte ou d’un script de conversion. L’enregistrement direct au format TSV ne suffit pas, sauf si ces lignes spécifiques à GCT sont ajoutées.

Le serveur web GenePattern inclut des modules de conversion de jeux de données et de prétraitement dans les installations qui les proposent. Exportez d’abord la feuille de calcul au format TSV, puis utilisez le flux de travail ConvertDataset approprié pour générer ou valider la sortie GCT. Les noms des modules et les formats d’entrée acceptés varient selon la configuration du serveur.

Les services généraux en ligne de conversion de formats ne comprennent généralement pas l’en-tête GCT requis ni la sémantique des matrices d’expression. Ils peuvent également exposer les données génomiques à un tiers. N’utilisez un service en ligne que s’il prend explicitement en charge la version GCT requise et que les données sont autorisées à quitter votre environnement ; sinon, utilisez Python en local, Excel/Calc ou GenePattern.

Vérifications de compatibilité et de qualité

GCT 1.2 attend des valeurs de matrice numériques. Les textes tels que NA, les virgules utilisées comme séparateurs de milliers, les unités, les formules ou les colonnes d’annotation doivent être nettoyés avant la conversion. Si le classeur contient des formules, recalculez-les et enregistrez le fichier dans Excel ou LibreOffice avant sa lecture ; certains lecteurs utilisent les résultats mis en cache des formules et peuvent sinon renvoyer des valeurs vides ou obsolètes.

Les nombres de lignes et de colonnes indiqués sur la deuxième ligne excluent les colonnes Name et Description. N’ajoutez pas de ligne vide supplémentaire, de virgules CSV ni de marque d’ordre des octets UTF-8, sauf si le logiciel de destination indique qu’il les prend en charge. Si l’application cible demande GCT 1.3 ou une autre variante, générez cette version exacte au lieu de supposer que GCT 1.2 est interchangeable. L’extension .gct est également utilisée par des programmes sans rapport avec ce format ; vérifiez donc que la destination attend bien le format Gene Cluster Text.