如何使用R语言优雅地解析KEGG KO 的htext文件？

KEGG KO的分析想必大家都不陌生，但是不知道什么原因，KEGG官方的各种文件都搞得遮遮掩掩，无论是做基因注释还是数据可视化，大家都非常难受。其中对于注释出来的KO号怎么进行KO号名称和代谢通路的注释，由于官方没有提供相应的一一对应表，所以对于数据分析与可视化来说十分不方便。。。。

好在KEGG官方并不是完全不给机会，提供了所谓的htext文件和网页让你进行分析，htext格式如下

是不是看了感觉摸不到头脑？这玩意要怎么用来数据分析？

于是小编上网搜各种分析流程和教程之类的，也算是找到几个python或者perl脚本之类的，但是使用过后，发现要么就是出错，要么分析出来的效果不尽人意，所以小编打算自己动手写代码进行分析。因为小编目前对R比较熟悉，所以尝试着用R进行分析。废话不多说，具体代码和流程如下。

---

1. 下载htext文件

进入www.kegg.jp/kegg-bin/get_htext?htext=ko00001网站，点击左上角的Download json，下载json文件。

2. 开始使用R进行分析

1. 设置工作目录并读取json文件

setwd("~/代码驿站/自写代码/data")
library(rjson)
jsonData = fromJSON(file ="ko00001.json")
a=jsonData$name
b=jsonData$children

读取得到的为list格式，如下、

2. 解析list

list格式也算是R里面最复杂的格式，不过也没那么复杂，只要仔细观察，你就可以找到这个list里面的一些规律，有兴趣的朋友可以自己点进去看看，这里我不多说了，直接上代码。。

c=NULL
for (i in 1:length(b)) {
for (j in 1:length(b[[i]]$children)) {
for (w in 1:length(b[[i]]$children[[j]]$children)) {
for (x in 1:length(b[[i]]$children[[j]]$children[[w]]$children)) {

c=rbind(c,c(
  b[[i]]$name,
  b[[i]]$children[[j]]$name,
  b[[i]]$children[[j]]$children[[w]]$name,
  b[[i]]$children[[j]]$children[[w]]$children[[x]]$name
            ))
  
}
}  
}
}

​​​​​这段代码就是解析json文件的核心代码了，接下来的工作大家也可以使用自己的需求进行写，小编在这里演示一下自己的方法。

3. 后期整理

library(stringr)
c=as.data.frame(c)
c$V1=substring(c$V1,7,nchar(c$V1))
c$V2=substring(c$V2,7,nchar(c$V2))
c$V3=substring(c$V3,7,nchar(c$V3))
#去除前6个用不到的字符（如果需要使用，则使用下面的代码先替换第一个空格，再进行分离）

library(tidyr)
d = separate(data=c, col = V3,  into=c('V3', 'pathway_id'), sep ="[[]" )
d$pathway_id =str_replace_all(d$pathway_id,c("]"=""))
#分离出代谢通路ko号

d$V4 =sub("  ", "$", d$V4)
d = separate(data=d, col = V4,  into=c('V4', 'KO_name'), sep ="[$]" )
#分离出K号

d$KO_name =sub(";", "$", d$KO_name)
d = separate(data=d, col = KO_name,  into=c('gene', 'KO_name'), sep ="[$]" )
#分离出kegg的基因

d$KO_name =sub("[[]EC:", "$", d$KO_name)
d = separate(data=d, col = KO_name,  into=c('KO_name', 'EC'), sep ="[$]" )
d$EC =gsub("[]]", "", d$EC)
#分离出每个K号的名称以及对应的EC编号

这里为了避免出现错误的分离，因此小编首先进行了一些替换，然后再进行分离。

4. 出表！

names(d)[c(1,2,3,5)]=c("level1","level2","level3","KO")

write.table(d, file = "kegg pathway htext.txt", quote = F, sep = "\t", row.names = F, col.names = T)

最后得到的表如下：

完美符合数据分析所需要的表格格式！

当然也有小伙伴可能会嫌麻烦，因此小编在这里也提供了一个脚本以及解析到的文件，地址为

nashanghenzan/KEGG-KO-htext-file-parser: the rscript to parse KEGG hierarchical text file (github.com)

更多内容，请关注公众号plantmicrobiome（宏组学）