1. सेटअप आर स्थापित करें, अगर यह पहले से ही स्थापित नहीं है।नोट: अतीत आर में लिखा है और इसलिए, की आवश्यकता है कि इसके उपयोगकर्ताओं को आर स्थापित किया है । इस लेखन के समय, बायोकंडक्टर से सीधे अतीत स्थापित करने के लिए R4.0 की आवश्यकता होती है। अतीत के पुराने संस्करण R3.6 के लिए बायोकंडक्टर से स्थापित किए जा सकते हैं, और आर 3.5 वाले उपयोगकर्ताओं के लिए गिथब से अतीत स्थापित किया जा सकता है। आर स्थापना निर्देश निम्नलिखित लिंक से डाउनलोड किया जा सकता है: https://www.r-project.org/। RStudio डेस्कटॉप का नवीनतम संस्करण स्थापित करें या RStudio (वैकल्पिक) को अपडेट करें।नोट: RStudio आर भाषा के साथ काम करने के लिए एक उपयोगी वातावरण है । इसकी स्थापना की सिफारिश की जाती है, विशेष रूप से उन लोगों के लिए जो चमकदार जीयूआई आवेदन के माध्यम से कमांड लाइन में अतीत को चलाने के लिए चुनते हैं। RStudio और इसकी स्थापना के निर्देश निम्नलिखित लिंक पर पाया जा सकता है: https://rstudio.com/products/rstudio/। बायोकंडक्टर पर निर्देशों का पालन करके बायोकंडक्टर11 से अतीत स्थापित करें।नोट: बायोकंडक्टर के माध्यम से स्थापना अतीत की निर्भरता की स्थापना को संभालना चाहिए। इसके अतिरिक्त, अतीत गिथुब12से स्थापित किया जा सकता है, लेकिन गिथब से स्थापित करने से स्वचालित रूप से निर्भरता स्थापित नहीं होगी। पिछले चमकदार (वैकल्पिक) स्थापित करें। फाइल “ऐप डाउनलोड करें। Github भंडार के रिलीज पृष्ठ से आर”: https://github.com/IGBB/PAST/releases/, और याद रखें कि डाउनलोड की गई फ़ाइल कहां स्थित है।नोट: अतीत का उपयोग सीधे आर के साथ अपने तरीकों को कॉल करके किया जा सकता है, लेकिन जो उपयोगकर्ता आर से कम परिचित हैं, वे पिछले चमकदार एप्लिकेशन को चला सकते हैं, जो एक निर्देशित उपयोगकर्ता इंटरफेस प्रदान करता है। पिछले चमकदार एक आर स्क्रिप्ट अतीत Github भंडार की shiny_app शाखा में उपलब्ध है । पिछले चमकदार पहले रन के दौरान अपनी निर्भरता स्थापित करने का प्रयास करेंगे । नीचे वर्णित तीन तरीकों में से एक में आवेदन शुरू करके विश्लेषण शुरू करें। ̈स्टूडियो के साथ पिछला चमकदार RStudio का उपयोग करके, फ़ोल्डर में एक नई परियोजना बनाएं जहां ऐप। आर स्थित है। क्लिक करें फाइल | नई परियोजना और उस फ़ोल्डर का चयन करें। एक बार नया प्रोजेक्ट बन जाने के बाद एप खोल लें। आर फाइल पहले डाउनलोड की गई। RStudio उस ऐप को पहचानता है। आर एक चमकदार ऐप है और प्रदर्शित स्रोत कोड के ऊपर बार पर एक रन ऐप बटन बनाता है। रन ऐप परक्लिक करें । RStudio तो एक खिड़की है कि पिछले चमकदार आवेदन प्रदर्शित करता है शुरू करेंगे । आर कंसोल के साथ पिछले चमकदार आर लॉन्च करें और पिछले चमकदार एप्लिकेशन को शुरू करने के लिए निम्नलिखित कोड चलाएं: चमकदार::runApp (‘path/to/folder/with/shiny/app। आर’। कोट्स में टेक्स्ट को फोल्डर के साथ बदलें कि कौन सा ऐप है। आर डाउनलोड किया गया था, और उद्धरण रखो। आर चमकदार के बिना अतीत अतीत लोड करने के लिए एक आर कंसोल में पुस्तकालय (अतीत) चलाएं। 2. चमकदार विश्लेषण को अनुकूलित करें (वैकल्पिक) विश्लेषण शीर्षक को “न्यू एनालिसिस” से कुछ ऐसा में बदलें जो बेहतर तरीके से चलाए जा रहे विश्लेषण के प्रकार को दर्शाता है जो कई विश्लेषणों का ट्रैक रखने में मदद करता है (चित्र 1देखें)। चित्रा 1. कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें । कोर और मोड की संख्या को संशोधित करें। 1 और मशीन पर कुल संख्या के बीच किसी भी संख्या के लिए कोर की संख्या निर्धारित करें, लेकिन पता है कि अतीत के लिए और अधिक संसाधनों समर्पित मशीन पर अंय आपरेशनों धीमा हो सकता है । धारा 6 में विवरण के आधार पर मोड सेट करें। 3. लोड GWAS डेटा नोट: सत्यापित करें कि GWAS डेटा टैब डीलिमित है। सुनिश्चित करें कि एसोसिएशन फ़ाइल में निम्नलिखित कॉलम शामिल हैं: विशेषता, मार्कर नाम, लोकस या गुणसूत्र, गुणसूत्र पर स्थिति, पी-वैल्यू, और मार्कर के लिए आर2 मूल्य। सुनिश्चित करें कि प्रभाव फ़ाइल में निम्नलिखित कॉलम शामिल हैं: विशेषता, मार्कर नाम, लोकस या गुणसूत्र, गुणसूत्र पर स्थिति, और प्रभाव। इन स्तंभों का क्रम महत्वपूर्ण नहीं है, क्योंकि उपयोगकर्ता डेटा लोड करते समय कॉलम के नाम निर्दिष्ट कर सकता है। किसी भी अतिरिक्त कॉलम की अनदेखी की जाती है। TASSEL13 इन फ़ाइलों का उत्पादन करने के लिए इस्तेमाल किया जा सकता है। पिछले चमकदार के साथ GWAS डेटा लोड करें। एसोसिएशन फ़ाइल और प्रभाव फ़ाइल चयन बक्से का उपयोग करके एक एसोसिएशन फ़ाइल और एक प्रभाव फ़ाइल का चयन करें। डेटा में कॉलम नामों को प्रतिबिंबित करने के लिए फ़ाइल चयन बक्से के नीचे एसोसिएशन कॉलम नाम और प्रभाव कॉलम नाम इनपुट बॉक्स में कॉलम नाम बदलें। चित्रा 2. कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें । आर कंसोल में अतीत के साथ जीडब्ल्यूए डेटा लोड करें। निम्नलिखित कोड को संशोधित करें और चलाएं:gwas_data = load_GWAS_data (“पथ/association_file.tsv”, “path/to/effects_file.tsv”, association_columns = सी (“विशेषता”, “मार्कर”, “लोकस”, “साइट”, “पी”, “marker_R2”), effects_columns = c (“विशेषता”, “मार्कर”, “लोकस”, “साइट”, “प्रभाव”) नोट: जीडब्ल्यूएएस फ़ाइलों के वास्तविक स्थान पर रास्तों को बदलें। association_columns और effects_columns के लिए प्रदान किए गए मान डिफ़ॉल्ट मान हैं। अगर नाम तयशुदा मानों से मेल नहीं खाते हैं, तो कॉलम के नाम निर्दिष्ट करें. अन्यथा, इन्हें छोड़ा जा सकता है। 4. लोड लिंकेज डिस्लिबिब्रियम (एलडी) डेटा नोट: सत्यापित करें कि लिंकेज डिस्क्विलिब्रियम (एलडी) डेटा टैब डी सीमित है और इसमें निम्नलिखित प्रकार के डेटा शामिल हैं: लोकस, स्थिति1, साइट 1, स्थिति2, साइट2, स्थिति 1 और स्थिति 2 के बीच आधार जोड़े में दूरी, और आर2 मूल्य। पिछले चमकदार के साथ एलडी डेटा लोड करें। एलडी डेटा वाली फाइल का चयन करें। एलडी कॉलम में कॉलम के नाम बदलें फाइल सेलेक्शन बॉक्स के नीचे इनपुट बॉक्स में एलडी डेटा में कॉलम के नामों का मिलान करने के लिए यदि आवश्यक हो । चित्रा 3. कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें । आर कंसोल में अतीत के साथ एलडी डेटा लोड करें। एलडी डेटा लोड करने के लिए निम्नलिखित कोड को संशोधित और चलाएं:एलडी = load_LD (“पाथ/टू/एलडी.टीएसवी”, LD_columns = सी (“लोकस1”, “स्थिति1”, “साइट1”, “स्थिति2”, “साइट2”, “Dist_bp”, “आर.2”)नोट: एलडी फ़ाइल के वास्तविक स्थान पर रास्ता बदलें। LD_columns के लिए प्रदान किए गए मान डिफ़ॉल्ट मान हैं। यदि नाम इन चूकों से मेल नहीं खाते हैं, तो स्तंभों के सही नाम निर्दिष्ट करें; अन्यथा, इन्हें छोड़ा जा सकता है। 5. जीन को एसएनपी असाइन करें नोट: GFF प्रारूप में एनोटेशन डाउनलोड करें या अन्यथा ढूंढें। ये एनोटेशन अक्सर विशिष्ट जीवों के लिए ऑनलाइन डेटाबेस में पाए जा सकते हैं। कम गुणवत्ता वाले एनोटेशन के बारे में सतर्क रहें, क्योंकि एनोटेशन डेटा की गुणवत्ता मार्ग विश्लेषण की गुणवत्ता को प्रभावित करेगी। पुष्टि करें कि इन एनोटेशन (गुणसूत्र) का पहला कॉलम एसोसिएशन, प्रभाव और एलडी डेटा में लोकस/गुणसूत्र के प्रारूप से मेल खाता है। उदाहरण के लिए, एनोटेशन को पहले गुणसूत्र “chr1” नहीं कहना चाहिए यदि जीडब्ल्यूएएस और एलडी डेटा फ़ाइलें पहले गुणसूत्र “1” को कॉल करती हैं। अतीत चमकदार के साथ जीन के लिए SNPs असाइन करें।नोट: एक उपयुक्त आर2 कटऑफ का निर्धारण करने के बारे में अधिक जानकारी तांग एट अल6में पाया जा सकता है, “मार्ग विश्लेषण के लिए जीन एल्गोरिथ्म के लिए SNP” नामक खंड में । GFF एनोटेशन युक्त फ़ाइल का चयन करें। विचार करें कियदि चूक अपलोड किए गए डेटा के अनुरूप नहीं है तो प्रजातियों पर विचार और संशोधन के लिए कौन सी विंडो आकार और आर 2 कटऑफ सबसे उपयुक्त हैं।नोट: अतीत में डिफ़ॉल्ट मान मुख्य रूप से मक्का के लिए उपयुक्त मूल्यों को प्रतिबिंबित करते हैं । पिछले चमकदार विश्लेषण (चरण 2.2) की शुरुआत में सेट कोर की संख्या इस चरण में उपयोग की जाती है। चित्रा 4. कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें । आर कंसोल में अतीत के साथ जीन के लिए SNPs असाइन करें । जीन को एसएनपी असाइन करने के लिए निम्नलिखित कोड को संशोधित करें और चलाएं:जीन = assign_SNPs_to_genes (gwas_data, एलडी, “path/to/annotations.gff”, सी (“जीन”), १०००, ०.८, 2)नोट: इस नमूना कोड में, कई डिफ़ॉल्ट सुझाव प्रदान किए जाते हैं: 1000 जीन की खोज करने के लिए एसएनपी के चारों ओर खिड़की का आकार है; 0.8 आर2के लिए कटऑफ मूल्य है । 2 समानांतर प्रसंस्करण के लिए उपयोग किए जाने वाले कोर की संख्या है। एनोटेशन फाइल के वास्तविक स्थान पर एनोटेशन का रास्ता भी बदला जाना चाहिए। 6. महत्वपूर्ण रास्तों की खोज करें नोट: सत्यापित करें कि पाथवे फ़ाइल में टैब डी सीमित प्रारूप में निम्नलिखित डेटा होता है, जिसमें प्रत्येक मार्ग में हर जीन के लिए एक पंक्ति होती है: पाथवे आईडी – “PWY-6475-1” जैसे पहचानकर्ता; मार्ग विवरण – रास्ते क्या करते हैं जैसे “ट्रांस-लाइकोपीन बायोसिंथेसिस” का एक लंबा विवरण; जीन – मार्ग में एक जीन, जो एनोटेशन में प्रदान किए गए नामों से मेल ना चाहिए। पाथवे जानकारी की संभावना मक्काजीडीबी जैसे विशिष्ट जीवों के लिए ऑनलाइन डेटाबेस में पाई जा सकती है। दूसरा उपयोगकर्ता-निर्दिष्ट विकल्प मोड है। “बढ़ती” फेनोटाइप को संदर्भित करती है जो तब प्रतिबिंबित होती है जब मापा विशेषता का बढ़ता मूल्य वांछनीय होता है, जैसे उपज, जबकि “कम” एक विशेषता को संदर्भित करता है जहां मापा मूल्यों में कमी फायदेमंद है, जैसे कीट क्षति रेटिंग। रास्ते के महत्व को पहले वर्णित तरीकों का उपयोग करके परखाजाताहै 4,6,14. पिछले चमकदार के साथ महत्वपूर्ण रास्तों की खोज करें। पाथवे डेटा वाली फ़ाइल का चयन करें और सुनिश्चित करें कि विश्लेषण विकल्पों में मोड का चयन किया गया है। यदि आवश्यक हो, तो उन जीनों की संख्या को बदलें जो विश्लेषण के लिए इसे बनाए रखने के लिए एक मार्ग में होना चाहिए और प्रभाव के महत्व का परीक्षण करने के लिए शून्य वितरण बनाने के लिए उपयोग किए जाने वाले क्रमपरिवर्तनों की संख्या। चित्रा 5। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें । नोट: पिछले चमकदार विश्लेषण (चरण 2.2) की शुरुआत में सेट कोर और मोड की संख्या का उपयोग इस चरण में किया जाता है। जीन की डिफ़ॉल्ट संख्या वर्तमान में 5 जीन पर सेट है, तो कम ज्ञात जीन के साथ रास्ते हटा दिया जाएगा । उपयोगकर्ता छोटे रास्ते शामिल करने के लिए इस मूल्य को 4 या 3 तक कम कर सकता है, लेकिन ऐसा करने से झूठे सकारात्मक परिणामों का जोखिम होगा। इस मूल्य को बढ़ाने से विश्लेषण की शक्ति बढ़ सकती है लेकिन विश्लेषण से अधिक रास्ते दूर हो जाएंगे। उपयोग किए गए क्रमपरिवर्तनों की संख्या बदलने से परीक्षण की शक्ति कम हो जाती है। आर कंसोल में अतीत के साथ महत्वपूर्ण रास्तों की खोज करें। महत्वपूर्ण रास्तों की खोज करने के लिए निम्नलिखित कोड को संशोधित करें और चलाएं:rugplots_data <-find_pathway_significance (जीन, "पाथ/टू/पाथवे.टीएसवी", 5, "बढ़ती", १०००, 2)नोट: इस नमूना कोड में, कई सुझाए गए चूक प्रदान किए जाते हैं। 5 जीन की न्यूनतम संख्या है कि एक मार्ग में होना चाहिए क्रम में विश्लेषण में मार्ग रखने के लिए, वृद्धि मापा विशेषता की बढ़ती मात्रा को संदर्भित करता है (यह सिफारिश की है कि उपयोगकर्ता दोनों बढ़ रही है और कम चलाने के लिए, विशेषता की परवाह किए बिना; डेटा व्याख्या दोनों के लिए अलग होगा, तथापि), १००० समय की संख्या के लिए नमूना प्रभाव नल वितरण निर्धारित करने के लिए है, और 2 समानांतर प्रसंस्करण के लिए उपयोग किए जाने वाले कोर की संख्या है। रास्ते फ़ाइल के वास्तविक स्थान के लिए रास्ता बदलें। 7. देखें रगप्लॉट्स पिछले चमकदार के साथ Rugplots देखें। एक बार जब सभी इनपुट अपलोड और सेट हो जाते हैं, तो शुरू विश्लेषणपर क्लिक करें। एक प्रगति बार दिखाई देगा और इंगित करेगा कि विश्लेषण का कौन सा कदम अंतिम रूप से पूरा किया गया था। जब विश्लेषण पूरा हो जाता है, तो पिछले चमकदार परिणाम टैब पर स्विच करेंगे। परिणामों की एक तालिका बाएं कॉलम (लेबल “रास्ते”) में प्रदर्शित की जाएगी और रगप्लॉट्स को सही कॉलम (लेबल “भूखंड” में प्रदर्शित किया जाएगा)। फ़िल्टरिंग मापदंडों को नियंत्रित करने के लिए स्लाइडर का उपयोग करें। जब फ़िल्टरिंग स्तर संतोषजनक हो, तो सभी छवियों और तालिकाओं को व्यक्तिगत रूप से एक ज़िप फ़ाइल में डाउनलोड करने के लिए नीचे नीचे डाउनलोड परिणाम बटन पर क्लिक करें जिसका नाम विश्लेषण शीर्षक के साथ रखा गया है। इस ज़िप फ़ाइल फ़िल्टर की मेज, अनफ़िल्टर्ड टेबल, और फ़िल्टर की गई तालिका में प्रति मार्ग एक छवि शामिल है। चित्रा 6. कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें । चित्रा 7. कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें । आर कंसोल में अतीत के साथ Rugplots देखें परिणामों को सहेजने के लिए निम्नलिखित कोड को संशोधित करें और चलाएं:plot_pathways (rugplots_data, “pvalue”, 0.02, “बढ़ती”, “output_folder”)नोट: इस नमूना कोड में, कई सुझाए गए चूक प्रदान किए जाते हैं। pvalue डेटा प्रदान करता है जिसका उपयोग उपयोगकर्ता द्वारा महत्व सीमा चुने जाने के बाद महत्व वाले रास्तों को फ़िल्टर करने के लिए किया जा सकता है; 0.02 फ़िल्टरिंग में उपयोग किया जाने वाला डिफ़ॉल्ट मूल्य है, और बढ़ती मात्रा मापी गई विशेषता की बढ़ती मात्रा को संदर्भित करती है (यह सिफारिश की जाती है कि उपयोगकर्ता विशेषता की परवाह किए बिना बढ़ते और कम दोनों को चलाता है; डेटा व्याख्या दोनों के लिए अलग होगी, हालांकि); output_folder फ़ोल्डर है जहां छवियों और तालिकाओं लिखा जाएगा (इस फ़ोल्डर समारोह चलाने से पहले मौजूद होना चाहिए) । फ़िल्टर किए गए परिणामों की एक तालिका, अनफ़िल्टर्ड परिणाम, और फ़िल्टर किए गए परिणामों में हर मार्ग के लिए व्यक्तिगत छवियां इस फ़ोल्डर को लिखी जाती हैं।