Konversi XLSX menjadi GCT

Aplikasi genomik seperti GSEA dan GenePattern memerlukan matriks ekspresi dalam format GCT, sementara laboratorium biasanya menerima matriks tersebut sebagai workbook Excel. Mengonversi workbook diperlukan sebelum data dapat diimpor ke alat-alat ini, dibagikan sebagai matriks teks biasa, atau diproses secara reproducible.

Apa itu format XLSX

XLSX adalah format workbook berbasis XML yang digunakan oleh Microsoft Excel, LibreOffice Calc, Apple Numbers, dan banyak sistem laboratorium atau pelaporan. Format ini dapat berisi beberapa worksheet, formula, formatting, chart, merged cell, metadata, dan mixed data type. Worksheet ekspresi biasanya menempatkan feature identifier di kolom pertama, deskripsi di kolom kedua, dan pengukuran sampel di kolom-kolom berikutnya.

Apa itu format GCT

Dalam genomik, GCT berarti Gene Cluster Text. Ini adalah format matriks plain-text yang dipisahkan tab dan digunakan oleh Broad GSEA, GenePattern, serta software analisis ekspresi yang kompatibel. File GCT 1.2 standar berisi:

• #1.2 pada baris pertama;
• jumlah baris feature dan kolom sampel pada baris kedua;
• header yang diawali dengan Name dan Description, diikuti nama sampel;
• satu baris untuk setiap gene, probe, transcript, atau feature terukur lainnya.

File GCT berukuran lebih kecil dan lebih mudah di-parse oleh software analisis dibandingkan workbook yang telah diformat. File tersebut tidak mempertahankan formatting Excel, formula, chart, merged cell, beberapa worksheet, atau metadata workbook.

Menyiapkan worksheet

Sebelum melakukan export, pilih worksheet yang berisi matriks dan hapus baris judul, catatan, total, record kosong, serta kolom yang tidak terkait. Susun data sebagai berikut:

• Kolom A: feature identifier yang stabil seperti gene symbol, probe ID, atau Ensembl ID;
• Kolom B: deskripsi, atau kolom kosong jika deskripsi tidak tersedia;
• Kolom C dan seterusnya: hanya nilai sampel numerik.

Gunakan satu baris untuk setiap feature, feature identifier yang unik jika diperlukan oleh software tujuan, dan nama sampel yang tidak kosong serta tidak mengandung tab atau line break. Tentukan apakah nilai tersebut merupakan raw count, nilai yang dinormalisasi, atau nilai yang telah ditransformasi log sebelum konversi; mengubah XLSX menjadi GCT tidak melakukan normalisasi atau mengubah data biologis dengan cara lain.

Melakukan konversi dengan Python

Python dengan pandas dan openpyxl menyediakan konversi yang repeatable serta menampilkan cell yang malformed alih-alih menebak maknanya secara diam-diam. Instal package tersebut dengan:

python -m pip install pandas openpyxl

Simpan script ini sebagai xlsx_to_gct.py. Script ini mengasumsikan bahwa worksheet pertama memiliki layout seperti yang dijelaskan di atas.

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")

Jalankan dengan python xlsx_to_gct.py. Buka output.gct di text editor dan periksa bahwa baris kedua berisi jumlah aktual baris feature dan kolom sampel, serta baris data pertama langsung mengikuti header.

Alternatif desktop dan berbasis web

Untuk workflow desktop grafis, gunakan LibreOffice Calc atau Excel untuk membersihkan worksheet dan mengekspornya sebagai file teks yang dipisahkan tab, kemudian tambahkan version line GCT, dimension line, serta header Name/Description dengan text editor atau conversion script. Menyimpan langsung sebagai TSV tidak cukup kecuali baris khusus GCT tersebut ditambahkan.

Web server GenePattern menyertakan module konversi dataset dan preprocessing pada instalasi yang menyediakannya. Export worksheet ke TSV terlebih dahulu, lalu gunakan workflow ConvertDataset yang sesuai untuk menghasilkan atau memvalidasi output GCT. Nama module dan format input yang diterima dapat berbeda-beda sesuai konfigurasi server.

Layanan online umum seperti file-format converter biasanya tidak memahami header GCT yang diperlukan dan semantik expression matrix. Layanan tersebut juga dapat mengekspos data genomik kepada pihak ketiga. Gunakan layanan online hanya jika layanan tersebut secara eksplisit mendukung versi GCT yang diperlukan dan data diizinkan untuk keluar dari environment Anda; jika tidak, gunakan Python lokal, Excel/Calc, atau GenePattern.

Pemeriksaan kompatibilitas dan kualitas

GCT 1.2 mengharapkan nilai matriks numerik. Teks seperti NA, koma yang digunakan sebagai pemisah ribuan, unit, formula, atau kolom anotasi harus dibersihkan sebelum konversi. Jika workbook berisi formula, hitung ulang dan simpan workbook tersebut di Excel atau LibreOffice sebelum membacanya; beberapa reader menggunakan hasil formula yang di-cache dan jika tidak, dapat mengembalikan nilai kosong atau yang sudah kedaluwarsa.

Jumlah baris dan kolom pada baris kedua tidak mencakup kolom Name dan Description. Jangan menambahkan baris kosong ekstra, koma CSV, atau byte-order mark UTF-8 kecuali software tujuan mendokumentasikan dukungan untuk hal tersebut. Jika aplikasi target meminta GCT 1.3 atau varian lainnya, buat versi yang tepat tersebut alih-alih menganggap bahwa GCT 1.2 dapat dipertukarkan. Ekstensi .gct juga digunakan oleh program yang tidak terkait, jadi pastikan bahwa tujuan tersebut mengharapkan Gene Cluster Text.