Convertir GCT a XLS

Una matriz de expresión génica puede necesitar conversión cuando el destinatario o una aplicación antigua acepta libros de Excel, pero no archivos de datos de GenePattern. Exportar la matriz como .xls permite editarla en software de hojas de cálculo compatible con versiones antiguas de Excel, pero el archivo GCT original debe seguir siendo la fuente autorizada.

Qué es el formato GCT

En la categoría Documentos, GCT normalmente significa Gene Cluster Text, un formato de texto delimitado por tabulaciones utilizado para matrices de expresión génica y otros datos genómicos. GenePattern, las herramientas del Broad Institute y los programas de bioinformática compatibles pueden leerlo y generarlo.

Un archivo GCT 1.2 común contiene una línea de versión como #1.2, una línea de dimensiones que contiene el número de filas de datos y de columnas de muestras, un encabezado que comienza con Name y Description, y una fila delimitada por tabulaciones para cada gen u otra característica. Los campos restantes normalmente contienen mediciones de muestras. Las líneas de metadatos de GCT forman parte de la estructura del archivo y no son encabezados normales de una hoja de cálculo.

Qué es el formato XLS

XLS es el formato binario de libros de Microsoft Excel para Excel 97–2003. Admite hojas de cálculo, formato de celdas, fórmulas, ordenación, filtrado y gráficos, y puede abrirse con muchas aplicaciones de hojas de cálculo.

Cada hoja de cálculo XLS está limitada a 65.536 filas y 256 columnas. Los dos campos de identificadores de GCT cuentan para el límite de columnas, por lo que una matriz con más de 254 columnas de muestras no puede caber en una sola hoja de cálculo XLS. Las matrices grandes normalmente requieren XLSX, CSV o una base de datos.

Cómo convertir GCT a XLS

Uso de LibreOffice Calc

1. Conserve una copia de seguridad del archivo sample.gct original.
2. Para obtener una hoja de cálculo de matriz limpia, haga una copia y elimine de ella las líneas de versión y de dimensiones de GCT, o importe el archivo y omita esas dos líneas. Conserve esos valores por separado si son necesarios para la trazabilidad.
3. Abra la copia en LibreOffice Calc. Si Calc no reconoce la extensión, cambie el nombre de la copia a sample.txt; esto solo cambia el nombre, no el contenido delimitado por tabulaciones.
4. En el cuadro de diálogo de importación de texto, elija Separated by, active Tab y desactive los demás separadores. Compruebe que Name, Description, los nombres de las muestras y las mediciones ocupen columnas separadas.
5. Formatee los identificadores de genes y otros campos de identificadores como texto cuando contengan ceros iniciales, cadenas numéricas largas o caracteres que Calc pueda reinterpretar.
6. Elija File → Save As, seleccione Excel 97–2003 (*.xls) y confirme la advertencia sobre el formato antiguo.

Calc es una opción local práctica porque lee texto delimitado por tabulaciones y escribe XLS antiguo sin requerir un servicio de conversión intermedio.

Uso de Microsoft Excel

1. Use una copia del archivo GCT y cambie su nombre a .txt si Excel no muestra el archivo .gct en su cuadro de diálogo para abrir o importar.
2. Elija Data → From Text/CSV, seleccione el archivo y establezca el delimitador en Tab.
3. Elimine u omita las dos primeras líneas de estructura de GCT para la hoja de cálculo de la matriz. Almacene la versión y las dimensiones en celdas separadas o en una hoja independiente si deben conservarse.
4. Establezca las columnas de identificadores como texto antes de cargar los datos cuando sea posible y, después, compare los valores de las muestras y algunos ID de genes representativos con el archivo de origen.
5. Elija File → Save As, seleccione Excel 97-2003 Workbook (*.xls) y acepte la advertencia de compatibilidad.

Uso de un script repetible

Para el procesamiento por lotes, analice la tabla GCT después de sus dos líneas estructurales y mantenga inicialmente todos los campos como texto. Esto evita la conversión no deseada de identificadores, fechas y valores largos.

import pandas as pd

df = pd.read_csv('sample.gct', sep='\t', skiprows=2,
                 dtype=str, keep_default_na=False)
df.to_excel('sample.xlsx', index=False)

Este código crea XLSX, no XLS. Abra el resultado en Calc o Excel y use File → Save As → Excel 97–2003 (*.xls). Convierta determinadas columnas de mediciones a valores numéricos solo cuando sean necesarios para realizar cálculos. Si necesita conservar los metadatos de GCT, lea las dos primeras líneas por separado y escríbalas en una hoja de metadatos.

Opciones de conversión en línea

No existe un servicio en línea especializado de conversión de GCT a XLS con compatibilidad amplia que interprete de forma fiable las líneas de versión y de dimensiones de GCT. Los sitios de conversión genéricos pueden tratar el archivo como texto indiferenciado, desplazar el encabezado de la tabla o alterar los valores numéricos. Además, los datos de expresión génica pueden ser confidenciales, por lo que Calc, Excel o un script controlado ejecutados localmente son opciones más seguras.

Una hoja de cálculo en línea puede gestionar como alternativa una matriz pequeña y no confidencial: elimine las dos primeras líneas de GCT en una copia, cargue el texto delimitado por tabulaciones resultante en Google Sheets o Excel para la web, verifique las columnas importadas y exporte un libro de Excel. Estos servicios normalmente exportan XLSX en lugar de XLS antiguo, por lo que para guardar finalmente como XLS todavía se necesita Excel de escritorio o LibreOffice.

Límites de calidad y compatibilidad

• Colocar #1.2 y la línea de dimensiones en celdas del libro conserva su texto, pero no convierte el libro en un archivo GCT válido.
• El software de hojas de cálculo puede convertir identificadores de genes, fechas, ceros iniciales, enteros largos y notación científica. Compare algunas celdas representativas con el original después de la exportación.
• El formato y las fórmulas añadidos al libro no forman parte del origen GCT y desaparecerán si el libro se vuelve a generar desde ese origen.
• Las matrices GCT que superen los límites de una hoja de cálculo XLS deben exportarse como XLSX, dividirse entre varias hojas o archivos, o almacenarse en otro sistema tabular.
• Guardar los campos de mediciones como texto protege los valores de entrada exactos, pero impide realizar operaciones aritméticas normales en la hoja de cálculo hasta que las columnas necesarias se conviertan explícitamente en números.