Wir sind auf eine Publikation (Li et al. 2012) mit dem Titel “The histone acetyltransferase MOF is a key regulator of the embryonic stem cell core transcriptional network “ gestoßen. Die Publikation enthält die Analyse möglicher Zielgene eines interessanten Proteins namens Mof. Die Zielgene wurden durch ChIP-seq in Mäusen gewonnen, und die Rohdaten sind über GEO verfügbar. Die Liste der Gene ist jedoch weder in den Supplements der Publikation noch in der GEO-Einreichung enthalten. Das Naheliegendste, was wir finden konnten, ist eine Datei in GEO, die eine Liste der Regionen enthält, in denen das Signal signifikant angereichert ist (so genannte Peaks):

Tabelle 1 Teilprobe der verfügbaren Datei

Das Ziel dieser Übung ist es, die Liste der genomischen Regionen in eine Liste möglicher Zielgene umzuwandeln.

Kommentar: Ergebnisse können variieren

Ihre Ergebnisse können sich aufgrund unterschiedlicher Versionen von Tools, Referenzdaten, externen Datenbanken oder aufgrund stochastischer Prozesse in den Algorithmen geringfügig von den in diesem Tutorium vorgestellten unterscheiden.

Agenda

In diesem Tutorium werden wir uns mit folgenden Themen beschäftigen:

1. Vorbehandlungen
   1. Daten-Upload
2. Teil 1: Naiver Ansatz
   1. Dateivorbereitung
   2. Analyse
   3. Visualisierung
   4. Arbeitsablauf extrahieren
3. Teil 2: Anspruchsvollerer Ansatz
   1. Vorbereitung
   2. Peak-Gipfel-Datei erstellen
   3. Gennamen holen
   4. Arbeitsablauf wiederholen
4. Teilen Sie Ihre Arbeit
5. Schlussfolgerung

Vorbehandlungen

Praktische Übung: Open Galaxy

1. Navigieren Sie zu einer Galaxy-Instanz: die von Ihrem Ausbilder empfohlene oder eine aus der Liste Galaxy-Instanz im Kopf dieser Seite

2. Anmelden oder registrieren (oberes Feld)

   

Die Galaxy-Schnittstelle besteht aus drei Hauptteilen. Auf der linken Seite sind die verfügbaren Werkzeuge aufgelistet, auf der rechten Seite wird Ihr Analyseverlauf aufgezeichnet, und im mittleren Bereich werden die Werkzeuge und Datensätze angezeigt.

Open image in new tab

Beginnen wir mit einer neuen History.

Praktische Übung: Historie erstellen

1. Stellen Sie sicher, dass Sie einen leeren Analyseverlauf haben.

   Tipp: Erstellen eines neuen Verlaufs

   Um einen neuen Verlauf zu erstellen, klicken Sie einfach auf das Symbol new-history am oberen Rand des Verlaufsfensters:

   

2. Benennen Sie Ihren Verlauf, damit Sie ihn leicht erkennen können

   Tipp: Einen Verlauf umbenennen

   • Klicken Sie auf den Titel des Verlaufs (standardmäßig ist der Titel Unnamed history)

     

   • Geben Sie als Namen Galaxy Introduction ein
   • Drücken Sie Eingabe

Daten-Upload

Praktische Übung: Daten-Upload

1. Laden Sie die Liste der Peak-Regionen (die Datei GSE37268_mof3.out.hpeak.txt.gz) von GEO auf Ihren Computer herunter

2. Klicken Sie auf die Schaltfläche “Hochladen” in der oberen linken Ecke der Benutzeroberfläche

   

3. Drücken Sie Lokale Dateien auswählen und suchen Sie die Datei auf Ihrem Computer
4. Select interval as Type
5. Drücken Sie Start
6. Drücken Sie Schließen

7. Warten Sie, bis der Upload abgeschlossen ist. Galaxy wird die Datei automatisch entpacken.

8. Danach sehen Sie Ihren ersten Eintrag in der Historie im rechten Fensterbereich von Galaxy. Es durchläuft den grauen (Vorbereitung/Warteschlange) und gelben (läuft) Status und wird schließlich grün (Erfolg):

   

   Das direkte Hochladen von Dateien ist nicht die einzige Möglichkeit, Daten in Galaxy zu erhalten

   Tipp: Importieren über Links

   • Kopieren der Linkposition

   • Klicken Sie auf galaxy-upload Daten hochladen am oberen Rand der Werkzeugleiste

   • Wählen Sie galaxy-wf-edit Daten einfügen/holen

   • Fügen Sie den/die Link(s) in das Textfeld ein

   • Ändern Sie Type (set all): von “Auto-detect” auf interval

   • Drücken Sie Start

   • Schließen Sie das Fenster

   Tipp: Daten in Galaxy importieren

   Es gibt weitere Optionen für fortgeschrittene Benutzer.

Kommentar: Intervall-Dateiformat

Das Intervall-Format ist ein Galaxy-Format zur Darstellung genomischer Intervalle. Es ist tabulatorgetrennt, hat aber die zusätzliche Anforderung, dass drei der Spalten die folgenden Spezifikationen beinhalten müssen:

• Chromosomen-ID
• Startposition (0-basiert)
• Endposition (end-exclusive)

Eine optionale Strangspalte kann ebenfalls angegeben werden, und eine anfängliche Kopfzeile kann verwendet werden, um die Spalten zu beschriften, die nicht in einer bestimmten Reihenfolge angeordnet sein müssen. Im Gegensatz zum BED-Format (siehe unten) können auch beliebige zusätzliche Spalten vorhanden sein.

Weitere Informationen über Formate, die in Galaxy verwendet werden können, finden Sie auf der Galaxy Data Formats page.

Praktische Übung: Attribute einer Datei untersuchen und bearbeiten

1. Klicken Sie auf die Datei im Verlaufsfenster

   Einige Metainformationen (z.B. Format, Referenzdatenbank) über die Datei und die Kopfzeile der Datei werden dann zusammen mit der Anzahl der Zeilen in der Datei (48.647) angezeigt:

   

2. Klicken Sie auf das galaxy-eye (Auge) Symbol (Daten ansehen) in Ihrem Datensatz in der Historie

   Der Inhalt der Datei wird im zentralen Feld angezeigt

3. Klicken Sie auf das galaxy-pencil (Bleistift)-Symbol (Attribute bearbeiten) in Ihrem Datensatz in der Historie

   Ein Formular zur Bearbeitung von Datensatzattributen wird im zentralen Bereich angezeigt

4. Suche nach mm9 im Datenbank/Build-Attribut und Auswahl von Mouse July 2007 (NCBI37/mm9) (die Publikaton sagt uns, dass die Peaks von mm9 stammen)

   

5. Klicken Sie auf Speichern am oberen Rand

6. Hinzufügen eines Tags namens #peaks zum Datensatz, um ihn in der Historie besser verfolgen zu können

   Tipp: Hinzufügen eines Tags

   Datensätze können getaggt werden. Dies vereinfacht die Verfolgung von Datensätzen über die Galaxy-Schnittstelle. Tags können eine beliebige Kombination von Buchstaben oder Zahlen enthalten, dürfen aber keine Leerzeichen enthalten.

   Um einen Datensatz zu taggen:

   1. Klicken Sie auf den Datensatz, um ihn zu erweitern
   2. Klicken Sie auf Add Tags galaxy-tags
   3. Fügen Sie tag text hinzu. Tags, die mit # beginnen, werden automatisch an die Ausgaben von Tools weitergegeben, die diesen Datensatz verwenden (siehe unten).
   4. Drücken Sie Enter
   5. Stellen Sie sicher, dass das Tag unter dem Namen des Datensatzes erscheint

   Tags, die mit # beginnen, sind speziell!

   Sie werden Name-Tags genannt. Das Besondere an diesen Tags ist, dass sie sich vererben: Wenn ein Datensatz mit einem Name-Tag gekennzeichnet ist, erben alle Ableitungen (Kinder) dieses Datensatzes automatisch dieses Tag (siehe unten). Die folgende Abbildung erklärt, warum dies so nützlich ist. Betrachten Sie die folgende Analyse (die Zahlen in Klammern entsprechen den Datensatznummern in der Abbildung unten):

   1. Ein Satz von Vorwärts- und Rückwärts-Reads (Datensätze 1 und 2) wird mit Bowtie2 gegen eine Referenz gemappt, wodurch Datensatz 3 erzeugt wird;
   2. Datensatz 3 wird verwendet, um die Read Coverage mit BedTools Genome Coverage getrennt für + und - Stränge. Dies erzeugt zwei Datensätze (4 und 5 für plus bzw. minus);
   3. Die Datensätze 4 und 5 werden als Input für die Macs2 broadCall -Datensätze verwendet, die die Datensätze 6 und 8 erzeugen;
   4. Die Datensätze 6 und 8 werden mit BedTools Intersect mit den Koordinaten von Genen (Datensatz 9) geschnitten, wodurch die Datensätze 10 und 11 entstehen.

   

   Betrachten wir nun, dass diese Analyse ohne Namens-Tags durchgeführt wird. Dies ist auf der linken Seite der Abbildung zu sehen. Es ist schwer nachzuvollziehen, welche Datensätze “Plus”-Daten und welche “Minus”-Daten enthalten. Enthält zum Beispiel Datensatz 10 “Plus”-Daten oder “Minus”-Daten? Wahrscheinlich “minus”, aber sind Sie sicher? Bei einem kleinen Verlauf wie dem hier gezeigten ist es möglich, dies manuell nachzuvollziehen, aber wenn der Umfang eines Verlaufs wächst, wird es sehr schwierig.

   Die rechte Seite der Abbildung zeigt genau die gleiche Analyse, jedoch unter Verwendung von Namens-Tags. Als die Analyse durchgeführt wurde, waren die Datensätze 4 und 5 mit #plus bzw. #minus gekennzeichnet. Als sie als Eingaben in Macs2 verwendet wurden, übernahmen die Datensätze 6 und 8 automatisch diese Markierungen und so weiter… Daher ist es einfach, beide Zweige (plus und minus) dieser Analyse zu verfolgen.

   Weitere Informationen finden Sie in einem dedizierten #nametag-Tutorial.

   Der Datensatz sollte nun in der Historie wie folgt aussehen

   

Um die mit diesen Peak-Regionen verwandten Gene zu finden, benötigen wir auch eine Liste von Genen in Mäusen, die wir von UCSC erhalten können.

Praktische Übung: Daten-Upload von UCSC

1. Suche nach UCSC Main in der Werkzeug-Suchleiste (oben links)

   

2. Klicken Sie auf UCSC Main tool

   Sie werden zum UCSC-Tabellenbrowser weitergeleitet, der in etwa wie folgt aussieht:

   

3. Setzen Sie die folgenden Optionen:
   • “Klade “: Mammal
   • “Genom “: Mouse
   • “Assembly”: July 2007 (NCBI37/mm9)
   • “Gruppe “: Genes and Gene Predictions
   • “Spur “: RefSeq Genes
   • “Tabelle “: refGene
   • “Region “: genome
   • “Ausgabeformat “: BED - browser extensible data
   • “Ausgabe senden an “: Galaxy (nur)

4. Klicken Sie auf die Schaltfläche Ausgabe erhalten

   Sie sehen den nächsten Bildschirm:

   

5. Stellen Sie sicher, dass “Create one BED record per “ auf Whole Gene gesetzt ist
6. Klicken Sie auf die Schaltfläche Abfrage an Galaxy senden
7. Warten, bis der Upload beendet ist

8. Benennen Sie unseren Datensatz in etwas Wiedererkennbareres wie Genes um

   Tipp: Umbenennen eines Datensatzes

   • Klicken Sie auf das galaxy-pencil Bleistift-Symbol für den Datensatz, um seine Attribute zu bearbeiten
   • Ändern Sie im zentralen Bereich das Feld Name in Genes
   • Klicken Sie auf die Schaltfläche Speichern

9. Hinzufügen eines Tags namens #genes zum Datensatz, um ihn in der Historie besser verfolgen zu können

Kommentar: BED-Dateiformat

Das BED - Browser Extensible Data-Format bietet eine flexible Möglichkeit zur Kodierung von Genregionen. BED-Zeilen haben drei Pflichtfelder:

• Chromosomen-ID
• Startposition (0-basiert)
• Endposition (end-exclusive)

Es kann bis zu neun zusätzliche optionale Felder geben, aber die Anzahl der Felder pro Zeile muss in jedem einzelnen Datensatz konsistent sein.

Weitere Informationen dazu finden Sie unter UCSC, einschließlich einer Beschreibung der optionalen Felder.

Jetzt haben wir alle Daten gesammelt, die wir für unsere Analyse benötigen.

Teil 1: Naiver Ansatz

Zunächst wird mit einem “naiven” Ansatz versucht, die Gene zu identifizieren, mit denen die Peak-Regionen verbunden sind. Wir werden Gene identifizieren, die sich mindestens 1bp mit den Peakregionen überschneiden.

Dateivorbereitung

Werfen wir einen Blick auf unsere Dateien, um zu sehen, was wir hier haben.

Praktische Übung: Dateiinhalt anzeigen

1. Klicken Sie auf das galaxy-eye (Auge)-Symbol (Daten anzeigen) der Peak-Datei, um den Inhalt der Datei anzuzeigen

   Es sollte wie folgt aussehen:

   

2. Ansicht des Inhalts der Regionen der Gene von UCSC

   

Frage

Während die Datei von UCSC Bezeichnungen für die Spalten hat, hat die Peak-Datei keine. Können Sie erraten, wofür die Spalten stehen?

Lösung

Diese Peak-Datei hat kein Standardformat, und allein durch ihre Betrachtung können wir nicht herausfinden, was die Zahlen in den verschiedenen Spalten bedeuten. In der Veröffentlichung erwähnen die Autoren, dass sie den Peak Caller HPeak verwendet haben.

Aus dem HPeak-Handbuch geht hervor, dass die Spalten die folgenden Informationen enthalten:

• Chromosomenname nach Nummer
• Startkoordinate
• Endkoordinate
• Länge
• Stelle innerhalb des Peaks, die die höchste hypothetische DNA-Fragmentabdeckung aufweist (Gipfel)
• nicht relevant
• nicht relevant

Um die beiden Dateien zu vergleichen, müssen wir sicherstellen, dass die Chromosomennamen das gleiche Format haben. Wie wir sehen können, fehlt in der Peak-Datei das chr vor jeder Chromosomennummer. Aber was passiert mit Chromosom 20 und 21? Werden sie stattdessen X und Y heißen? Schauen wir nach:

Praktische Übung: Ende der Datei anzeigen

1. Suche nach Select last lines from a dataset (tail) ( Galaxy version 9.3+galaxy1) tool und führe es mit den folgenden Einstellungen aus:
   • “Textdatei “: unsere Peakdatei GSE37268_mof3.out.hpeak.txt.gz
   • “Operation “: Keep last lines
   • “Anzahl der Zeilen “: Wählen Sie einen Wert, z.B. 100
2. Klick auf Werkzeug starten
3. Warten, bis der Auftrag beendet ist

4. Untersuchen Sie die Datei über das galaxy-eye (Auge) Symbol (Daten ansehen)

   Frage

   1. Wie sind die Chromosomen benannt?
   2. Wie sind die Chromosomen X und Y benannt?

   Lösung

   1. Die Chromosomen werden einfach durch ihre Nummer angegeben. In der Gendatei von UCSC beginnen sie mit chr
   2. Die Chromosomen X und Y werden 20 und 21 genannt

Um die Chromosomennamen zu konvertieren, müssen wir also zwei Dinge tun:

1. chr hinzufügen
2. 20 und 21 in X und Y ändern

Praktische Übung: Anpassen der Chromosomennamen

1. Replace Text ( Galaxy version 1.1.3) in einer bestimmten Spalte mit den folgenden Einstellungen:
   • “Zu verarbeitende Datei “: unsere Peak-Datei GSE37268_mof3.out.hpeak.txt.gz
   • “in Spalte “: 1

   • “Muster suchen “: [0-9]+

     Es wird nach numerischen Ziffern gesucht

   • “Ersetzen durch “: chr&

     & ist ein Platzhalter für das Suchergebnis der Mustersuche

2. Benennen Sie Ihre Ausgabedatei in chr prefix added um.

3. Replace Text ( Galaxy version 1.1.3) : Führen wir das Tool mit zwei weiteren Ersetzungen erneut aus
   • “Zu verarbeitende Datei “: die Ausgabe des letzten Laufs, chr prefix added
   • “in Spalte “: 1
   • param-repeat Ersetzen
     • “Muster suchen “: chr20
     • “Ersetzen durch “: chrX
   • param-repeat Ersetzen einfügen
     • “Muster suchen “: chr21
     • “Ersetzen durch “: chrY

   Tipp: Wiederholung eines Werkzeugs

   • Erweitern Sie die Datensatzinformationen
   • Drücken Sie das Symbol galaxy-refresh (Diesen Job erneut ausführen)

4. Prüfen Sie die letzte Datei über das galaxy-eye (Auge) Symbol. Waren wir erfolgreich?

   Wir haben jetzt eine ganze Reihe von Dateien und müssen bei jedem Schritt darauf achten, die richtigen auszuwählen.

   Frage

   Wie viele Regionen befinden sich in unserer Ausgabedatei? Sie können auf den Namen der Ausgabedatei klicken, um sie zu erweitern und die Anzahl zu sehen.

   Lösung

   Sie sollte der Anzahl der Regionen in Ihrer ersten Datei, GSE37268_mof3.out.hpeak.txt.gz, entsprechen: 48.647 Wenn in Ihrer Datei 100 Regionen angezeigt werden, haben Sie das Programm mit der Datei Tail ausgeführt und müssen die Schritte erneut ausführen.

5. Umbenennen der Datei in etwas besser Erkennbares, z.B. Peak regions

Analyse

Unser Ziel ist es, die beiden Regionsdateien (die Gendatei und die Peakdatei aus der Veröffentlichung) zu vergleichen, um herauszufinden, welche Peaks mit welchen Genen verbunden sind. Wenn Sie nur wissen wollen, welche Peaks sich innerhalb von Genen (innerhalb des Genkörpers) befinden, können Sie den nächsten Schritt überspringen. Andernfalls könnte es sinnvoll sein, die Promoter-Region der Gene in den Vergleich einzubeziehen, z. B. weil Sie Transkriptionsfaktoren in ChIP-seq-Experimente einbeziehen wollen. Es gibt keine strenge Definition für die Promotorregion, aber 2kb stromaufwärts vom TSS (Beginn der Region) wird üblicherweise verwendet. Wir verwenden das Tool Get Flanks, um Regionen zu erhalten, die 2kb Basen stromaufwärts vom Start des Gens bis 10kb Basen stromabwärts vom Start liegen (12kb Länge). Dazu teilen wir dem Tool Get Flanks mit, dass wir Regionen vor dem Start mit einem Offset von 10kb suchen, die 12kb lang sind, wie im folgenden Diagramm dargestellt.

Praktische Übung: Promoterregion zu Gendatensätzen hinzufügen

1. Get Flanks ( Galaxy version 1.0.0) gibt flankierende Region/en für jedes Gen zurück, mit den folgenden Einstellungen:
   • “Daten auswählen “: Genes Datei von UCSC
   • “Region “: Around Start
   • “Lage der flankierenden Region/en “: Upstream
   • “Versatz “: 10000
   • “Länge der flankierenden Region(en) “: 12000

   Dieses Tool liefert flankierende Regionen für jedes Gen

2. Vergleichen Sie die Zeilen der resultierenden BED-Datei mit der Eingabe, um herauszufinden, wie sich die Start- und Endpositionen geändert haben

   Tipp: Untersuchung mehrerer Dateien mit dem Scratchbook

   • Klicken Sie auf Scratchbook aktivieren/deaktivieren in der oberen Leiste

     

   • Klicken Sie auf das galaxy-eye (Auge)-Symbol der zu prüfenden Dateien

   • Klicken Sie auf Scratchbook anzeigen/ausblenden

     

3. Benennen Sie Ihren Datensatz so um, dass er Ihre Ergebnisse widerspiegelt (Promoter regions)

Die Ausgabe besteht aus Regionen, die 2kb stromaufwärts vom TSS beginnen und 10kb stromabwärts umfassen. Für Eingaberegionen auf dem positiven Strang, z. B. chr1 134212701 134230065, ergibt dies chr1 134210701 134222701. Für Regionen auf dem negativen Strang, z. B. chr1 8349819 9289958, ergibt dies chr1 9279958 9291958.

Sie haben vielleicht bemerkt, dass die UCSC-Datei im Format BED vorliegt und mit einer Datenbank verknüpft ist. Genau das wollen wir auch für unsere Peak-Datei. Das Tool Intersect, das wir verwenden werden, kann Intervalldateien automatisch in das BED-Format konvertieren, aber wir werden unsere Intervalldatei hier explizit konvertieren, um zu zeigen, wie dies mit Galaxy erreicht werden kann.

Praktische Übung: Format und Datenbank ändern

1. Klicken Sie auf das galaxy-pencil (Bleistift)-Symbol im History-Eintrag unserer Peak-Region-Datei
2. Wechsel zur Registerkarte Datentypen
3. Im Abschnitt In Datentyp konvertieren unter “Zieldatentyp “ wählen: bed (Verwendung 'Convert Genomic Interval To Bed')
4. Drücken Sie Datensatz erstellen
5. Prüfen Sie, ob die “Datenbank/Build” mm9 ist (die in der Publikation verwendete Datenbank-Build für Mäuse)
6. Benennen Sie die Datei erneut in etwas Erkennbares um, z.B. Peak regions BED

Es ist an der Zeit, die überlappenden Intervalle zu finden (endlich!). Dazu wollen wir die Gene extrahieren, die sich mit unseren Peaks überlappen/überschneiden.

Praktische Übung: Überschneidungen finden

1. Intersect ( Galaxy version 1.0.0) die Intervalle zweier Datensätze, mit den folgenden Einstellungen:
   • “Rückgabe “: Overlapping Intervals
   • “von “: die UCSC-Datei mit Promotorregionen (Promoter regions)
   • “die sich schneiden “: unsere Peak-Region-Datei von Ersetzen (Peak regions BED)
   • “für mindestens “: 1

   Kommentar

   Die Reihenfolge der Eingaben ist wichtig! Wir wollen am Ende eine Liste von Genen erhalten, also muss der entsprechende Datensatz mit den Geninformationen die erste Eingabe sein (Promoter regions).

   

Wir haben jetzt die Liste der Gene (Spalte 4), die sich mit den Peak-Regionen überschneiden, ähnlich wie oben gezeigt.

Um einen besseren Überblick über die erhaltenen Gene zu bekommen, wollen wir uns ihre Verteilung auf die verschiedenen Chromosomen ansehen. Wir gruppieren die Tabelle nach Chromosomen und zählen die Anzahl der Gene mit Peaks auf jedem Chromosom

Praktische Übung: Gene auf verschiedenen Chromosomen zählen

1. Gruppieren Sie Daten nach einer Spalte und führen Sie eine Aggregationsoperation für andere Spalten durch, mit den folgenden Einstellungen.
   • “Daten auswählen “ zum Ergebnis der Schnittmenge
   • “Gruppieren nach Spalte “:Column 1
   • Drücken Sie Einfügen Operation und wählen Sie:
     • “Typ”: Count
     • “In der Spalte “: Column 1
     • “Ergebnis auf die nächste ganze Zahl runden “: No

   Frage

   Welches Chromosom enthielt die höchste Anzahl von Zielgenen?

   Lösung

   Das Ergebnis variiert bei verschiedenen Einstellungen, z. B. kann sich die Annotation aufgrund von Aktualisierungen bei UCSC ändern. Wenn Sie Schritt für Schritt mit der gleichen Annotation vorgehen, sollte das Ergebnis Chromosom 11 mit 2164 Genen sein. Beachten Sie, dass Sie aus Gründen der Reproduzierbarkeit alle in der Analyse verwendeten Eingabedaten aufbewahren sollten. Ein erneuter Durchlauf der Analyse mit demselben Satz von Parametern, die in Galaxy gespeichert sind, kann zu einem anderen Ergebnis führen, wenn sich die Eingaben geändert haben, z. B. die Annotation von UCSC.

Visualisierung

Wir haben einige schöne aggregierte Daten, warum also nicht einen Barchart davon zeichnen?

Bevor wir das tun, sollten wir unsere gruppierten Daten noch ein wenig aufpolieren.

Sie haben vielleicht bemerkt, dass die Mäusechromosomen in diesem Datensatz nicht in der richtigen Reihenfolge aufgelistet sind (das Tool Group versuchte, sie zu sortieren, tat dies aber in alphabetischer Reihenfolge).

Wir können dies beheben, indem wir ein spezielles Tool zum Sortieren unserer Daten verwenden.

Praktische Übung: Sortierreihenfolge der Genanzahltabelle korrigieren

1. Sort ( Galaxy version 1.1.1) Daten in aufsteigender oder absteigender Reihenfolge, mit den folgenden Einstellungen:
   • “Sortierabfrage “: Ergebnis der Ausführung des Gruppentools
   • in param-repeat “Spaltenselektionen “
     • “in Spalte “: Column 1
     • “in “: Ascending order
     • “Flavor “: Natural/Version sort (-V)

   Tipp: Multipile ähnliche Werkzeuge verfügbar

   Manchmal gibt es mehrere Werkzeuge mit sehr ähnlichen Namen. Wenn die Parameter im Tutorial nicht mit dem übereinstimmen, was Sie in Galaxy sehen, versuchen Sie bitte das Folgende:

   1. Verwenden Sie den Tutorial Mode curriculum in Galaxy, und klicken Sie auf den blauen Tool-Button im Tutorial, um automatisch das richtige Tool und die richtige Version zu öffnen (noch nicht für alle Tutorials verfügbar)

      Tipp: Tutorial-Modus verwenden

      Die Tools werden häufig auf neue Versionen aktualisiert. Auf Ihrem Galaxy sind möglicherweise mehrere Versionen desselben Tools verfügbar. Standardmäßig wird Ihnen die neueste Version des Tools angezeigt. Dies ist möglicherweise NICHT dasselbe Tool, das in dem von Ihnen aufgerufenen Lernprogramm verwendet wird. Wenn Sie in einem Schritt ein neueres Tool verwenden und im nächsten Schritt ein älteres Tool benutzen, kann dies fehlschlagen! Um sicher zu gehen, dass Sie die gleiche Werkzeugversion eines bestimmten Tutorials verwenden, benutzen Sie die Funktion Tutorial mode.

      • Öffnen Sie Ihren Galaxy-Server
      • Klicken Sie auf das Symbol curriculum im oberen Menü, um das GTN in Galaxy zu öffnen.
      • Navigieren Sie zu Ihrem Lernprogramm
      • Werkzeugnamen in Tutorials sind blaue Schaltflächen, die das richtige Werkzeug für Sie öffnen
      • Hinweis: dies funktioniert (noch) nicht bei allen Tutorials
      • Sie können auf eine beliebige Stelle in dem ausgegrauten Bereich außerhalb des Lernprogramms klicken, um zur analytischen Galaxy-Oberfläche zurückzukehren

      Warnung: Nicht alle Browser funktionieren!

      • Es gab einige Probleme mit dem Lernprogramm-Modus in Safari für Mac-Benutzer.
      • Versuchen Sie einen anderen Browser, wenn Sie die Schaltfläche nicht sehen.

   2. Überprüfen Sie, ob der gesamte Werkzeugname mit dem im Tutorial übereinstimmt. Bitte überprüfen Sie das:

      • Vollständiger Werkzeugname: Daten in aufsteigender oder absteigender Reihenfolge sortieren

      • Werkzeugversion: 1.1.1 (wird hinter den Werkzeugnamen geschrieben)

Großartig, wir sind bereit, Dinge zu zeichnen!

Praktische Übung: Balkendiagramm zeichnen

1. Klicken Sie auf galaxy-barchart (visualisieren) auf die Ausgabe des Werkzeugs Sortieren
2. Wähle Bar diagram (NVD3)
3. Klicken Sie auf das Symbol « in der oberen rechten Ecke
4. Wählen Sie einen Titel bei Angeben eines Titels, z.B. Gene counts per chromosome
5. Wechseln Sie zum galaxy-chart-select-data Daten auswählen
6. Spielen Sie mit den Einstellungen herum

7. Wenn Sie zufrieden sind, klicken Sie auf das galaxy-save Speichern Visualisierung oben rechts im Hauptfenster

   Damit wird die Datei in Ihren gespeicherten Visualisierungen gespeichert. Später können Sie sie unter Daten -> Visualisierungen im oberen Menü von Galaxy ansehen, herunterladen oder mit anderen teilen.

Arbeitsablauf extrahieren

Wenn Sie sich Ihren Verlauf genau ansehen, können Sie feststellen, dass er alle Schritte unserer Analyse enthält, vom Anfang bis zum Ende. Durch die Erstellung dieses Verlaufs haben wir tatsächlich eine vollständige Aufzeichnung unserer Analyse mit Galaxy erstellt, in der alle Parametereinstellungen, die bei jedem Schritt angewendet wurden, erhalten bleiben. Wäre es nicht schön, diesen Verlauf einfach in einen Workflow umzuwandeln, den wir immer wieder ausführen können?

Galaxy macht dies mit der Option Extract workflow sehr einfach. Das bedeutet, dass Sie jedes Mal, wenn Sie einen Arbeitsablauf erstellen wollen, diesen einmal manuell durchführen und dann in einen Arbeitsablauf umwandeln können, so dass es beim nächsten Mal viel weniger Arbeit ist, die gleiche Analyse durchzuführen. Außerdem können Sie Ihre Analyse problemlos weitergeben oder veröffentlichen.

Praktische Übung: Workflow extrahieren

1. Aufräumen: Entfernen Sie alle fehlgeschlagenen (roten) Aufträge aus Ihrer Historie, indem Sie auf die Schaltfläche galaxy-delete klicken.

   Dies wird die Erstellung des Arbeitsablaufs erleichtern.

2. Klicken Sie auf galaxy-gear (Verlaufsoptionen) am oberen Rand des Verlaufsfensters und wählen Sie Workflow extrahieren.

   

   Das zentrale Bedienfeld zeigt den Inhalt der Historie in umgekehrter Reihenfolge an (die älteste Datei steht oben), und Sie können auswählen, welche Schritte in den Arbeitsablauf aufgenommen werden sollen.

3. Ersetzen Sie den Arbeitsablaufnamen durch etwas Beschreibenderes, zum Beispiel: From peaks to genes

4. Wenn es Schritte gibt, die nicht in den Arbeitsablauf einbezogen werden sollen, können Sie sie in der ersten Spalte der Kästchen entmarkieren.

   Da wir einige Schritte durchgeführt haben, die spezifisch für unsere benutzerdefinierte Peak-Datei waren, möchten wir sie vielleicht ausschließen:

   • Letztes auswählen tool
   • alle Ersetzen von Text tool steps
   • Genomische Intervalle in BED umwandeln
   • Flanken holen tool

5. Klicken Sie auf die Schaltfläche Workflow erstellen am oberen Rand.

   Sie erhalten eine Meldung, dass der Workflow erstellt wurde. Aber wo ist er geblieben?

6. Klicken Sie auf Workflow im linken Menü von Galaxy

   Hier haben Sie eine Liste aller Ihrer Arbeitsabläufe

7. Wählen Sie den neu erstellten Workflow aus und klicken Sie auf Bearbeiten

   Sie sollten etwas ähnliches wie das hier sehen:

   

   Kommentar: Der Workflow-Editor

   Wir können den Workflow im Workflow-Editor von Galaxy untersuchen. Hier können Sie die Parametereinstellungen der einzelnen Schritte anzeigen/ändern, Werkzeuge hinzufügen und entfernen und die Ausgabe eines Werkzeugs mit der Eingabe eines anderen verbinden - alles auf einfache und grafische Weise. Sie können diesen Editor auch verwenden, um Workflows von Grund auf neu zu erstellen.

   Obwohl wir unsere beiden Eingaben im Workflow haben, fehlt ihnen die Verbindung zum ersten Werkzeug (Intersect tool), da wir einige der Zwischenschritte nicht übernommen haben.

8. Verbinden Sie jeden Eingabedatensatz mit dem Tool Intersect tool, indem Sie den nach außen zeigenden Pfeil auf der rechten Seite des Kästchens (das eine Ausgabe bezeichnet) auf einen nach innen zeigenden Pfeil auf der linken Seite des Intersect-Kästchens (das eine Eingabe bezeichnet) ziehen
9. Umbenennung der Eingabedatensätze in Reference regions und Peak regions
10. Drücken Sie Auto Re-layout, um unsere Ansicht aufzuräumen
11. Klicken Sie auf das galaxy-save Speichern (oben), um Ihre Änderungen zu speichern

Tipp: Zwischenschritte ausblenden

Bei der Ausführung eines Workflows ist der Benutzer in der Regel in erster Linie an dem Endprodukt und nicht an allen Zwischenschritten interessiert. Standardmäßig werden alle Ausgaben eines Workflows angezeigt, aber wir können Galaxy explizit mitteilen, welche Ausgaben für einen bestimmten Workflow angezeigt und welche ausgeblendet werden sollen. Dieses Verhalten wird durch das kleine Sternchen neben jedem Ausgabedatensatz gesteuert:

Wenn Sie auf dieses Sternchen für einen der Ausgabedatensätze klicken, werden nur die Dateien mit einem Sternchen angezeigt, und alle Ausgaben ohne Sternchen werden ausgeblendet (Beachten Sie, dass das Anklicken von allen Ausgaben denselben Effekt hat wie das Anklicken von keiner der Ausgaben, in beiden Fällen werden alle Datensätze angezeigt).

Nun ist es an der Zeit, unseren Arbeitsablauf für einen anspruchsvolleren Ansatz wiederzuverwenden.

Teil 2: Anspruchsvollerer Ansatz

In Teil 1 haben wir eine Überlappungsdefinition von 1 bp (Standardeinstellung) verwendet, um Gene zu identifizieren, die mit den Peakregionen verbunden sind. Um eine aussagekräftigere Definition zu erhalten, könnten wir stattdessen die Gene identifizieren, die sich dort überlappen, wo die meisten Reads konzentriert sind, den Peak-Gipfel. Wir verwenden die Informationen über die Position des Peak-Gipfels, die in der ursprünglichen Peak-Datei enthalten sind, und prüfen, ob sich die Gipfel mit Genen überschneiden.

Vorbereitung

Wir brauchen wieder unsere Peak-Datei, aber wir möchten in einem sauberen Verlauf arbeiten. Anstatt sie zweimal hochzuladen, können wir sie in einen neuen Verlauf kopieren.

Praktische Übung: Historische Elemente kopieren

1. Erstellen Sie einen neuen Verlauf und geben Sie ihm einen neuen Namen wie Galaxy Introduction Part 2

   Tipp: Erstellen eines neuen Verlaufs

   Um einen neuen Verlauf zu erstellen, klicken Sie einfach auf das Symbol new-history am oberen Rand des Verlaufsfensters:

   

2. Klicken Sie auf die Historienoptionen oben rechts in Ihrer Historie. Klicken Sie auf die Option Verläufe nebeneinander anzeigen

   Sie sollten nun beide Historien nebeneinander sehen

3. Ziehen Sie die bearbeitete Peak-Datei (Peak regions, nach den Ersetzungsschritten), die die Gipfelinformationen enthält, in Ihren neuen Verlauf.
4. Klicken Sie auf Galaxy in der oberen Menüleiste (oben links), um zu Ihrem Analysefenster zurückzukehren

Peak-Gipfel-Datei erstellen

Wir müssen eine neue BED-Datei aus der ursprünglichen Peak-Datei erzeugen, die die Positionen der Peak-Gipfel enthält. Der Beginn des Gipfels ist der Beginn des Peaks (Spalte 2) plus die Stelle innerhalb des Peaks, die die höchste hypothetische DNA-Fragmentabdeckung aufweist (Spalte 5, abgerundet auf die nächstkleinere ganze Zahl, da einige Peakgipfel zwischen zwei Basen liegen). Als Ende der Peakregion definieren wir einfach start + 1.

Praktische Übung: Gipfeldatei erstellen

1. Compute on rows ( Galaxy version 2.0) mit den folgenden Parametern:
   • “Eingabedatei “: unsere Peakdatei Peak regions (die Intervallformatdatei)
   • *“Eingabe hat eine Kopfzeile mit Spaltennamen?”: No
   • In “Ausdrücke “:
   • param-repeat “Ausdrücke “
     • “Ausdruck hinzufügen “: c2 + int(c5)
     • “Art der Operation “: Anhängen
   • param-repeat “Ausdrücke “
     • “Ausdruck hinzufügen “: c8 + 1
     • “Art der Operation “: Anhängen

Dies wird eine 8. und eine 9. Spalte in unserer Tabelle erzeugen, die wir im nächsten Schritt verwenden werden:

1. Umbenennen der Ausgabe Peak summit regions

Jetzt schneiden wir nur das Chromosom sowie den Anfang und das Ende des Gipfels aus:

Praktische Übung: Spalten ausschneiden

1. Cut Spalten aus einer Tabelle mit den folgenden Einstellungen:
   • “Spalten ausschneiden “: c1,c8,c9
   • “Getrennt durch Tabulator “: Tab
   • “Von “: Peak summit regions

Die Ausgabe von Cut wird im Format tabular erfolgen.

1. Ändern Sie das Format in interval (verwenden Sie das galaxy-pencil), da dies das ist, was das Tool Intersect erwartet.

   Tipp: Ändern des Datentyps

   • Klicken Sie auf das galaxy-pencil Bleistift-Symbol für den Datensatz, um seine Attribute zu bearbeiten
   • Klicken Sie im zentralen Panel auf galaxy-chart-select-data *registerkarte *Datentypen** oben
   • Im Feld galaxy-chart-select-data Datentyp zuweisen, wählen Sie interval aus dem “Neuer Typ“-Dropdown
     • Tipp: Sie können mit der Eingabe des Datentyps in das Feld beginnen, um das Dropdown-Menü zu filtern
   • Klicken Sie auf die Schaltfläche Speichern

   Die Ausgabe sollte wie folgt aussehen:

   

Gennamen holen

Die RefSeq-Gene, die wir von der UCSC heruntergeladen haben, enthielten nur die RefSeq-Kennungen, aber nicht die Gennamen. Um am Ende eine Liste der Gennamen zu erhalten, verwenden wir eine andere BED-Datei aus den Datenbibliotheken.

Kommentar

Es gibt mehrere Möglichkeiten, die Gennamen einzugeben, wenn Sie dies selbst tun müssen. Eine Möglichkeit besteht darin, ein Mapping über Biomart abzurufen und dann die beiden Dateien zu verbinden (Zwei Datensätze nebeneinander auf einem bestimmten Feld verbinden tool). Eine andere Möglichkeit ist, die vollständige RefSeq-Tabelle von UCSC zu erhalten und sie manuell in das BED-Format zu konvertieren.

Praktische Übung: Daten-Upload

1. Import mm9.RefSeq_genes_from_UCSC.bed von Zenodo oder aus der Datenbibliothek:

   https://zenodo.org/record/1025586/files/mm9.RefSeq_genes_from_UCSC.bed
   

   Tipp: Importieren über Links

   • Kopieren der Linkposition

   • Klicken Sie auf galaxy-upload Daten hochladen am oberen Rand der Werkzeugleiste

   • Wählen Sie galaxy-wf-edit Daten einfügen/holen

   • Fügen Sie den/die Link(s) in das Textfeld ein

   • Genom auf mm9 ändern

   • Drücken Sie Start

   • Schließen Sie das Fenster

   Tipp: Importieren von Daten aus einer Datenbibliothek

   Als Alternative zum Hochladen der Daten von einer URL oder Ihrem Computer können die Dateien auch von einer Shared Data Library zur Verfügung gestellt werden:

   1. Gehen Sie in Bibliotheken (linker Bereich)

   2. Navigieren Sie zu : Klicken Sie auf “GTN - Material”, “Introduction to Galaxy Analyses”, “From peaks to genes”, und dann “DOI: 10.5281/zenodo.1025586” oder dem richtigen Ordner, wie von Ihrem Ausbilder angegeben.

   3. Wählen Sie die gewünschten Dateien aus
   4. Klicken Sie auf Zur Historie hinzufügen galaxy-dropdown am oberen Rand und wählen Sie as Datasets aus dem Dropdown-Menü

   5. Wählen Sie im Pop-up-Fenster

      • “Historie auswählen “: die Historie, in die Sie die Daten importieren möchten (oder erstellen Sie eine neue)
   6. Klicken Sie auf Importieren

   Standardmäßig nimmt Galaxy den Link als Namen, also benennen Sie sie um.

2. Überprüfen Sie den Inhalt der Datei, um zu sehen, ob sie Gennamen enthält. Er sollte ähnlich wie unten aussehen:

3. Umbenennen in mm9.RefSeq_genes
4. Anwenden des Tags #genes

Arbeitsablauf wiederholen

Es ist an der Zeit, den zuvor erstellten Arbeitsablauf wiederzuverwenden.

Praktische Übung: Ausführen eines Arbeitsablaufs

1. Öffnen Sie das Workflow-Menü (linke Menüleiste)
2. Suchen Sie den Workflow, den Sie im vorherigen Abschnitt erstellt haben, und wählen Sie die Option Ausführen
3. Wählen Sie als Eingaben unsere mm9.RefSeq_genes (#genes) BED-Datei und das Ergebnis des Cut-Tools (#peaks)

4. Klick Workflow starten

   Die Ausgaben sollten in der Historie erscheinen, aber es kann einige Zeit dauern, bis sie fertig sind.

Wir haben unseren Workflow verwendet, um unsere Analyse mit den Spitzenwerten zu wiederholen. Das Tool Group lieferte wieder eine Liste mit der Anzahl der in jedem Chromosom gefundenen Gene. Aber wäre es nicht interessanter, die Anzahl der Peaks in jedem einzelnen Gen zu kennen? Lassen Sie uns den Arbeitsablauf mit anderen Einstellungen wiederholen!

Praktische Übung: Ausführen eines Arbeitsablaufs mit geänderten Einstellungen

1. Öffnet das Workflow-Menü (linke Menüleiste)
2. Suchen Sie den Workflow, den Sie im vorherigen Abschnitt erstellt haben
3. Wählen Sie die Option Ausführen
4. Wählen Sie als Eingaben unsere mm9.RefSeq_genes (#genes) BED-Datei und das Ergebnis des Cut-Tools (#peaks)
5. Klicken Sie auf den Titel des Werkzeugs tool Gruppenwerkzeugs, um die Optionen zu erweitern.
6. Ändern Sie die folgenden Einstellungen durch Klicken auf das galaxy-pencil (Bleistift)-Symbol auf der linken Seite:
   • “Gruppieren nach Spalte “: 7
   • In “Operation “:
     • “In der Spalte “: 7
7. Klick Workflow starten

Herzlichen Glückwunsch! Sie sollten nun eine Datei mit allen eindeutigen Gennamen und der Anzahl der darin enthaltenen Peaks haben.

Frage

Die Liste der eindeutigen Gene ist nicht sortiert. Versuchen Sie, sie selbst zu sortieren!

Lösung

Sie können das Werkzeug “Daten in aufsteigender oder absteigender Reihenfolge Sortieren ( Galaxy version 9.5+galaxy2)” auf Spalte 2 und “schnelle numerische Sortierung” verwenden.

Teilen Sie Ihre Arbeit

Eine der wichtigsten Funktionen von Galaxy kommt am Ende einer Analyse. Wenn Sie beeindruckende Ergebnisse veröffentlicht haben, ist es wichtig, dass andere Forscher in der Lage sind, Ihr In-Silico-Experiment zu reproduzieren. Galaxy ermöglicht es den Nutzern, ihre Arbeitsabläufe und Historien mit anderen zu teilen.

Um einen Verlauf zu teilen, klicken Sie auf die galaxy-history-options Verlaufsoptionen und wählen Sie Share or Publish. Auf dieser Seite können Sie 3 Dinge tun:

1. Zugänglich machen über Link

   Dies erzeugt einen Link, den Sie an andere weitergeben können. Jeder, der diesen Link hat, kann Ihren Verlauf sehen.

2. Historie öffentlich zugänglich machen in Published Histories

   Damit wird nicht nur ein Link erstellt, sondern auch Ihr Verlauf veröffentlicht. Das bedeutet, dass Ihr Verlauf unter Data → Histories → Published Histories im oberen Menü aufgeführt wird.

3. Mit einzelnen Benutzern teilen

   Dadurch wird der Verlauf nur für bestimmte Benutzer der Galaxy-Instanz freigegeben.

Praktische Übung: History und Arbeitsablauf teilen

1. Teilen Sie eine Ihrer Historien mit Ihrem Nachbarn
2. Schau mal, ob du das auch mit deinem Arbeitsablauf machen kannst!

3. Finde die History und/oder den Arbeitsablauf, den dein Nachbar teilt

   Historien, die für bestimmte Benutzer freigegeben sind, können von diesen Benutzern unter Data → Histories → Histories shared with me eingesehen werden.

Schlussfolgerung

trophy Sie haben gerade Ihre erste Analyse in Galaxy durchgeführt. Sie haben auch einen Arbeitsablauf für Ihre Analyse erstellt, so dass Sie dieselbe Analyse leicht mit anderen Datensätzen wiederholen können. Außerdem haben Sie Ihre Ergebnisse und Methoden mit anderen geteilt.

Du hast das Tutorial abgeschlossen

Please also consider filling out the Feedback Form as well!

Zusammenfassung

• Galaxy bietet eine benutzerfreundliche grafische Oberfläche für oft komplexe Kommandozeilen‑Werkzeuge

• Galaxy hält eine vollständige Aufzeichnung Ihrer Analyse in einer History

• Workflows ermöglichen es, Ihre Analyse auf verschiedene Daten zu wiederholen

• Galaxy kann sich mit externen Quellen zur Datenimport‑ und Visualisierungszwecken verbinden

• Galaxy bietet Möglichkeiten, Ihre Ergebnisse und Methoden mit anderen zu teilen

Häufig gestellte Fragen

• Tutorial FAQs
• Thema FAQs
• Galaxy FAQs
• GTN Matrix Chat
• Galaxy Help Forum

Förderung

1. Li, X., L. Li, R. Pandey, J. S. Byun, K. Gardner et al., 2012 The Histone Acetyltransferase MOF Is a Key Regulator of the Embryonic Stem Cell Core Transcriptional Network. Cell Stem Cell 11: 163–178. 10.1016/j.stem.2012.04.023

Feedback

Feedback Möglichkeit für Lehrende: Wie lief dein Kurs.
Für Kursteilnehmer/-innen oder Studierende: Über Rückmeldung durch das untenstehende Formular würden wir uns freuen.

Dieses Tutorial zitieren

1. Anne Pajon, Clemens Blank, Bérénice Batut, Björn Grüning, Nicola Soranzo, Dilmurat Yusuf, Sarah Peter, Helena Rasche, Von Peaks zu Genen (Galaxy Training Materials). https://training.galaxyproject.org/training-material/topics/introduction/tutorials/galaxy-intro-peaks2genes/tutorial_DE.html Online; accessed TODAY
2. Hiltemann, Saskia, Rasche, Helena et al., 2023 Galaxy Training: A Powerful Framework for Teaching! PLOS Computational Biology 10.1371/journal.pcbi.1010752
3. Batut et al., 2018 Community-Driven Data Analysis Training for Biology Cell Systems 10.1016/j.cels.2018.05.012

BibTeX

@misc{introduction-galaxy-intro-peaks2genes,
author = "Anne Pajon and Clemens Blank and Bérénice Batut and Björn Grüning and Nicola Soranzo and Dilmurat Yusuf and Sarah Peter and Helena Rasche",
	title = "Von Peaks zu Genen (Galaxy Training Materials)",
	year = "",
	month = "",
	day = "",
	url = "\url{https://training.galaxyproject.org/training-material/topics/introduction/tutorials/galaxy-intro-peaks2genes/tutorial_DE.html}",
	note = "[Online; accessed TODAY]"
}
@article{Hiltemann_2023,
	doi = {10.1371/journal.pcbi.1010752},
	url = {https://doi.org/10.1371%2Fjournal.pcbi.1010752},
	year = 2023,
	month = {jan},
	publisher = {Public Library of Science ({PLoS})},
	volume = {19},
	number = {1},
	pages = {e1010752},
	author = {Saskia Hiltemann and Helena Rasche and Simon Gladman and Hans-Rudolf Hotz and Delphine Larivi{\`{e}}re and Daniel Blankenberg and Pratik D. Jagtap and Thomas Wollmann and Anthony Bretaudeau and Nadia Gou{\'{e}} and Timothy J. Griffin and Coline Royaux and Yvan Le Bras and Subina Mehta and Anna Syme and Frederik Coppens and Bert Droesbeke and Nicola Soranzo and Wendi Bacon and Fotis Psomopoulos and Crist{\'{o}}bal Gallardo-Alba and John Davis and Melanie Christine Föll and Matthias Fahrner and Maria A. Doyle and Beatriz Serrano-Solano and Anne Claire Fouilloux and Peter van Heusden and Wolfgang Maier and Dave Clements and Florian Heyl and Björn Grüning and B{\'{e}}r{\'{e}}nice Batut and},
	editor = {Francis Ouellette},
	title = {Galaxy Training: A powerful framework for teaching!},
	journal = {PLoS Comput Biol}
}

                   

Förderung

Diese Personen oder Organisationen unterstützten die Entwicklung dieser Quelle finanziell.

ELIXIR Europe

de.NBI

UFR

BioNT

Co-funded by the European Union

Galaxy Administrators: Install the missing tools

You can use Ephemeris's shed-tools install command to install the tools used in this tutorial.

shed-tools install [-g GALAXY] [-a API_KEY] -t <(curl https://training.galaxyproject.org/training-material/api/topics/introduction/tutorials/galaxy-intro-peaks2genes/tutorial.json | jq .admin_install_yaml -r)

Alternatively you can copy and paste the following YAML

---
install_tool_dependencies: true
install_repository_dependencies: true
install_resolver_dependencies: true
tools:
- name: text_processing
  owner: bgruening
  revisions: d698c222f354
  tool_panel_section_label: Text Manipulation
  tool_shed_url: https://toolshed.g2.bx.psu.edu/
- name: text_processing
  owner: bgruening
  revisions: c41d78ae5fee
  tool_panel_section_label: Text Manipulation
  tool_shed_url: https://toolshed.g2.bx.psu.edu/
- name: text_processing
  owner: bgruening
  revisions: c41d78ae5fee
  tool_panel_section_label: Text Manipulation
  tool_shed_url: https://toolshed.g2.bx.psu.edu/
- name: text_processing
  owner: bgruening
  revisions: d698c222f354
  tool_panel_section_label: Text Manipulation
  tool_shed_url: https://toolshed.g2.bx.psu.edu/
- name: text_processing
  owner: bgruening
  revisions: c41d78ae5fee
  tool_panel_section_label: Text Manipulation
  tool_shed_url: https://toolshed.g2.bx.psu.edu/
- name: column_maker
  owner: devteam
  revisions: aff5135563c6
  tool_panel_section_label: Text Manipulation
  tool_shed_url: https://toolshed.g2.bx.psu.edu/
- name: get_flanks
  owner: devteam
  revisions: 077f404ae1bb
  tool_panel_section_label: Text Manipulation
  tool_shed_url: https://toolshed.g2.bx.psu.edu/
- name: intersect
  owner: devteam
  revisions: 69c10b56f46d
  tool_panel_section_label: Text Manipulation
  tool_shed_url: https://toolshed.g2.bx.psu.edu/

Feedback

Es wurde noch kein Feedback für diese Training abgegeben. Seien der Erste und füllen das Feedback-Formular aus.