CodonUsage2Features

Bioinformatic workflow used to elucidate the possible relationship between codon usage data, as a proxy of mRNA translational speed, and different protein features mapped to the protein sequences by UniProt, in multiple organisms. Code developed as a part of my masters thesis.

######################## Uso de los scripts ########################

Nota: en la carpeta 'data', faltan los archivos de uniprot

debido a que algunos superan el tamaño permitido por GitHub.

Habría que incorporarlos manualmente en caso de querer ejecutar

el flujo de trabajo y replicar los resultados obtenidos

####################################################################

workflow_launch.sh

Este es el script maestro, un script de shell utilizado para ejecutar el flujo de trabajo en su totalidad. No acepta argumentos, simplemente se ejecuta en la linea de comandos y el flujo de trabajo se lleva a cabo. Por dentro, este script ejecuta los siguientes scripts:

seq2features.sh

Script de bash con dos posibles modos de uso: opción -c: modo 'create', toma como argumentos el fichero de KEGG, el de UniProt, el de codon usage y el nombre del organismo para el cual se va a hacer el análisis. El output es el fichero con las proteínas filtradas y anotadas a nivel de cada codón que se explica en la metodología del TFM. En este modo, el script que se ejecuta por dentro es el script de python 'get_annot_sequences.py'. opción -v: modo 'visualize', el cual ejecuta el script de python 'visualize_proteins.py' utilizado para la visualización de proteínas concretas generando gráficas en formato SVG como las mostradas en la sección 4.4 de los resultados. Este script toma como argumentos: - el archivo generado con la opción '-c' de seq2features.sh - el archivo de uniprot - una lista separada por comas de AC de UniProt para las proteínas que se quieran visualizar (argumento -p) - la ventana de posiciones que se desee emplear para el ajuste de los datos de RSCU mostrados (-w).

analyze_features.py

Script de python encargado de crear los perfiles medios de valores RSCU y de datos sobre la posición de codones óptimos/raros (RPCU), llevar a cabo el análisis estadístico descrito en la metodología, y representar gráficamente los perfiles medios obtenidos con respecto a la característica proteica analizada. Además, escribe en ficheros todos los perfiles de datos de codon usage creados para cada proteína del organismo en ficheros ordenados por nombres y en carpetas ordenadas. El script toma como argumentos:

• el archivo generado por la opción -c de 'seq2features.sh'
• un output path, que por defecto es el path de ejecución del script
• un fichero con una feature de UniProt por fila, tantas como se quieran analizar (-f)
• una string con el tipo de datos que se va a analizar, 'RSCU' o 'codon_type' (-d)
• el número de posiciones para la ventana de ajuste de los datos a representar en la gráfica (-w) y el nombre del organismo (-o).

perform_all_organism_ttest.py

Script de python utilizado para el análisis conjunto de los perfiles obtenidos de todos los organismos estudiados. Funcionamiento y argumentos muy similares a 'analyze_features.py', solo que en este caso toma 2 archivos de input:

• archivo que contiene todos los perfiles obtenidos de todos los organismos para una feature concreta, generado por el script 'workflow_launch.sh'
• archivo que contiene todos los perfiles aleatorios creados para todos los organismos, generado por el script 'workflow_launch.sh'.

all_organism_graphs.py

Script de python utilizado para generar las figuras 3 y 8, mostradas en los resultados. El script toma como argumentos:

• Archivo que contiene todos los perfiles obtenidos de todos los organismos para una feature concreta
• un output path, que por defecto es el path de ejecución del script
• una string con el tipo de datos que se va a analizar, 'RSCU' o 'codon_type' (-d)
• el número de posiciones para la ventana de ajuste de los datos a representar en la gráfica (-w) y el nombre del organismo (-o).

compare_data_types.py

Script de python utilizado para generar la figura 13. Toma como argumentos:

• el archivo generado por la opción -c de 'seq2features.sh'
• archivo con los perfiles de valores RSCU de E.coli para la feature que se quiera analizar
• archivo con los perfiles de codon_type de E.coli para la feature que se quiera analizar
• archivo con los datos de [tRNA] de E.coli, cuya obtención se menciona en la metodología
• un output path, que por defecto es el path de ejecución del script
• string con el nombre de la feature que se va a analizar (-f)
• el número de posiciones para la ventana de ajuste de los datos a representar en la gráfica (-w) y el nombre del organismo (-o).

Adicionalmente, en el repositorio se ha añadido un archivo zip que contiene todas las gráficas de perfiles medios de datos de codon usage generadas durante el desarrollo del TFM.