Converti GCT in XLSX

Excel, un sistema di reporting o un destinatario che non utilizza GenePattern potrebbe richiedere la matrice come cartella di lavoro .xlsx. La conversione locale rende inoltre i dati più semplici da filtrare, rappresentare in grafici, condividere e archiviare senza caricare risultati di espressione potenzialmente riservati.

Cos'è il formato GCT

GCT significa Gene Cluster Text. È un formato di testo delimitato da tabulazioni utilizzato per matrici di espressione genica e dati genomici correlati, soprattutto dagli strumenti GenePattern e Gene Set Enrichment Analysis del Broad Institute; anche i workflow R e Bioconductor possono leggerlo o crearlo.

Un file GCT con versione standard contiene:

• un indicatore di versione, come #1.2, nella prima riga;
• il numero di righe e colonne di dati nella seconda riga;
• un'intestazione separata da tabulazioni, che normalmente inizia con Name e Description, nella terza riga;
• identificatori dei geni, descrizioni e valori di espressione nelle righe successive.

L'estensione .gct viene utilizzata anche da software non correlati. Apri il file in un editor di testo e verifica che le prime righe corrispondano alla struttura Gene Cluster Text prima di seguire questi passaggi.

Cos'è il formato XLSX

XLSX è il formato di cartella di lavoro Office Open XML supportato da Microsoft Excel, LibreOffice Calc, Apple Numbers e molti sistemi di reporting. Supporta fogli di lavoro, filtri, formule, grafici, formattazione e convalida dei dati, risultando adatto alla modifica e alla distribuzione di fogli di calcolo.

XLSX non è un sostituto completo di GCT: l'indicatore di versione e le dimensioni dichiarate normalmente non vengono memorizzati come metadati della cartella di lavoro, e le applicazioni per fogli di calcolo possono reinterpretare i valori scientifici o gli identificatori. Conserva il file GCT originale come origine autorevole per l'analisi.

Convertire con Python e pandas

Questo metodo è riproducibile ed evita la conversione automatica dei tipi eseguita da Excel. Installa Python e i pacchetti richiesti:

python -m pip install pandas openpyxl

Crea 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}")

Posiziona lo script accanto al file di origine, modifica input.gct e output.xlsx se necessario ed esegui:

python gct_to_xlsx.py

La cartella di lavoro contiene l'intestazione tabulare e i dati. La versione GCT e la riga delle dimensioni vengono convalidate, ma omesse dal foglio di lavoro; conservale separatamente se gli utenti a valle hanno bisogno di questi metadati.

Convertire con Excel o LibreOffice

Per un file di piccole dimensioni e non sensibile, importalo come testo delimitato invece di limitarti a rinominare l'estensione:

• Excel: scegli Data → From Text/CSV, seleziona il file GCT, imposta il delimitatore su Tab ed escludi le prime due righe se l'anteprima tratta le righe della versione e delle dimensioni come record. Carica la tabella, quindi scegli File → Save As e seleziona Excel Workbook (*.xlsx).
• LibreOffice Calc: scegli File → Open, seleziona Separated by e Tab nella finestra di dialogo di importazione, escludi le prime due righe di metadati, quindi scegli File → Save As e seleziona Excel 2007–365 (*.xlsx).

Imposta le colonne degli identificatori su Text durante l'importazione quando contengono zeri iniziali, ID numerici lunghi, date o altre stringhe che devono rimanere invariate. Un convertitore online generico potrebbe non comprendere le due righe di metadati GCT, e il caricamento di dati genomici potrebbe violare le policy del laboratorio o dell'istituto. Utilizza un servizio online solo quando supporta esplicitamente Gene Cluster Text, produce un file XLSX e la policy sui dati consente il caricamento; la conversione locale con Excel, LibreOffice o Python è più sicura.

Controlli di qualità e compatibilità

• Confronta il numero di righe e colonne di dati del foglio di lavoro con la seconda riga GCT.
• Verifica che i primi due campi rimangano le colonne dell'identificatore e della descrizione e controlla a campione i valori di espressione rispetto all'origine.
• Mantieni i campi come testo quando è necessario preservare stringhe esatte, zeri iniziali, indicatori di valori mancanti come NA o notazione scientifica. L'esempio Python disabilita la conversione predefinita dei valori mancanti di pandas; le colonne di espressione selezionate possono essere convertite in valori numerici in un secondo momento.
• Non aspettarti che i metadati della versione specifici di GCT, i commenti o la semantica dell'analisi sopravvivano come metadati nativi XLSX. Aggiungi una nota al foglio di lavoro o un foglio di metadati separato se il destinatario ha bisogno di questo contesto.
• I fogli di lavoro Excel consentono un massimo di 1.048.576 righe e 16.384 colonne. Le matrici di grandi dimensioni potrebbero superare questi limiti o rallentare il sistema; conserva GCT per i calcoli ed esporta solo i geni, i campioni o le statistiche riepilogative selezionati quando necessario.