KEGG pathway 注释整理
获得KEGG注释
通过eggnog-mapper和interproscan两个软件(或数据库)，可以获得KEGG ORTHOLOGY(KO)的注释，即基因或者转录本对应的K number, 具体参见两个软件的wiki.
获得KO与pathway的关系
进入KEGG官网，然后点击KEGG BRITE进入该数据库，在这个数据库中可以下载KEGG数据库中手工创建的层次结构文件(BRITE hierarchy files)。在这里，需要下载包含pathway和KO对应关系的文件，点击KEGG Orthology (KO)下载，这里下载json版本。
下面解析该文件，生成表格文件便于使用。
import json
import re
with open("ko00001.json") as f:
ko_map_data = json.load(f)
with open("KEGG_pathway_ko.txt", "w") as oh:
line = "level1_pathway_id\tlevel1_pathway_name\tlevel2_pathway_id\tlevel2_pathway_name"
line += "\tlevel3_pathway_id\tlevel3_pathway_name\tko\tko_name\tko_des\tec\n"
oh.write(line)
for level1 in ko_map_data["children"]:
m = re.match(r"(\S+)\s+([\S\w\s]+)", level1["name"])
level1_pathway_id = m.groups()[0].strip()
level1_pathway_name = m.groups()[1].strip()
for level2 in level1["children"]:
m = re.match(r"(\S+)\s+([\S\w\s]+)", level2["name"])
level2_pathway_id = m.groups()[0].strip()
level2_pathway_name = m.groups()[1].strip()
for level3 in level2["children"]:
m = re.match(r"(\S+)\s+([^\[]*)", level3["name"])
level3_pathway_id = m.groups()[0].strip()
level3_pathway_name = m.groups()[1].strip()
if "children" in level3:
for ko in level3["children"]:
m = re.match(r"(\S+)\s+(\S+);\s+([^\[]+)\s*(\[EC:\S+(?:\s+[^\[\]]+)*\])*", ko["name"])
if m is not None:
ko_id = m.groups()[0].strip()
ko_name = m.groups()[1].strip()
ko_des = m.groups()[2].strip()
ec = m.groups()[3]
if ec==None:
ec = "-"
line = level1_pathway_id + "\t" + level1_pathway_name + "\t" + level2_pathway_id + "\t" + level2_pathway_name
line += "\t" + level3_pathway_id + "\t" + level3_pathway_name + "\t" + ko_id + "\t" + ko_name + "\t" + ko_des + "\t" + ec + "\n"
oh.write(line)
这会生成KEGG_pathway_ko.txt文件，随后对行去重。
import pandas as pd
data = pd.read_csv("KEGG_pathway_ko.txt", sep="\t"，dtype=str)
data = data.drop_duplicates()
data.to_csv("KEGG_pathway_ko_uniq.txt", index=False, sep="\t")
最后得到KEGG_pathway_ko_uniq.txt文件，这个文件包含了KO和KEGG pathway的对应关系信息，也包含了pathway的级别分类(KEGG pathway分为3级)，如下所示：
level1_pathway_id level1_pathway_name level2_pathway_id level2_pathway_name level3_pathway_id level3_pathway_name ko ko_name ko_des ec
9100 Metabolism 9101 Carbohydrate metabolism 10 Glycolysis / Gluconeogenesis K00844 HK hexokinase [EC:2.7.1.1]
9100 Metabolism 9101 Carbohydrate metabolism 10 Glycolysis / Gluconeogenesis K12407 GCK glucokinase [EC:2.7.1.2]
9100 Metabolism 9101 Carbohydrate metabolism 10 Glycolysis / Gluconeogenesis K00845 glk glucokinase [EC:2.7.1.2]
合并结果
现在是表格文件，和容易将上面多种对应关系合并起来，进行后续的分析，例如可以对KEGG的注释结果按照KEGG中通路类型或者不同的level进行分类汇总，又或者对特定的基因集进行KEGG pathway的富集分析等。
