Borrar archivos

Network Science/Data/Archivo_síntomas.ipynb

-{
- "cells": [
-  {
-   "cell_type": "code",
-   "execution_count": 10,
-   "id": "d6b3c349-ae07-4be2-8e13-79fd26936534",
-   "metadata": {},
-   "outputs": [],
-   "source": [
-    "import pandas as pd\n",
-    "import numpy as np\n",
-    "import seaborn as sns #este no sé para qué se usa -> creación de gráficos \n",
-    "import matplotlib.pyplot as plt\n",
-    "import networkx as nx\n",
-    "import csv"
-   ]
-  },
-  {
-   "cell_type": "code",
-   "execution_count": 11,
-   "id": "5daac64f-9764-4076-98a2-f83b8fcdc836",
-   "metadata": {},
-   "outputs": [],
-   "source": [
-    "cuis = pd.read_csv('cuis_stys.csv')\n",
-    "cuis.to_csv('cuis_stys.tsv', sep='\\t', index=False)\n",
-    "dse_sym = pd.read_csv('Links/dse_sym.tsv', sep=\"\\t\")"
-   ]
-  },
-  {
-   "cell_type": "code",
-   "execution_count": 13,
-   "id": "e3419cdc-7664-4614-ae50-2808ef2b9135",
-   "metadata": {},
-   "outputs": [],
-   "source": [
-    "#hago una lista con las enfermedades y otra con los síntomas del archivo cuis:\n",
-    "enfs = []\n",
-    "syms = []\n",
-    "syms_cui=[]\n",
-    "for i, sym in enumerate(cuis[\"TUI\"]):\n",
-    "    if sym == \"T184\":\n",
-    "        #syms.append(sym) #lista con los TUI de los síntomas\n",
-    "        syms_cui.append(cuis[\"CUI\"][i]) #lista con los CUI de los síntomas\n",
-    "    else:\n",
-    "        enfs.append(cuis[\"CUI\"][i]) #lista con los CUI de las enfermedades (las que no tienen el TUI correcto)"
-   ]
-  },
-  {
-   "cell_type": "code",
-   "execution_count": 46,
-   "id": "e57fcada-20f1-4b90-982a-98445e0f8a4a",
-   "metadata": {},
-   "outputs": [],
-   "source": [
-    "syms_original=[]\n",
-    "enf_original=[]\n",
-    "for s1 in syms_cui:  # Recorrer la lista de síntomas\n",
-    "    for i, s2 in enumerate(dse_sym[\"sym\"]):  # Recorrer la columna de síntomas del archivo original\n",
-    "        if s1 == s2:  # Si uno de tus síntomas está en la columna de síntomas original\n",
-    "            enfermedad_cui = dse_sym[\"dse\"][i]  # Obtener el código CUI de la enfermedad\n",
-    "            if enfermedad_cui not in syms_cui:\n",
-    "                enf_original.append(enfermedad_cui)\n",
-    "                syms_original.append(s1)\n",
-    "                #print(str(enfermedad_cui) + \" es enfermedad y \" + str(s1) + \" es síntoma\")\n",
-    "                \n",
-    "#no hay posibilidad de relaciones enf - enf porque solo establecemos relaciones en el diccionario con los syms con TUI de síntoma."
-   ]
-  },
-  {
-   "cell_type": "code",
-   "execution_count": 51,
-   "id": "ce815fa0-610c-4a3e-b8d3-3ace87432d93",
-   "metadata": {},
-   "outputs": [],
-   "source": [
-    "#escribo el nombre de las columnas en el nuevo archivo\n",
-    "arch = pd.DataFrame({\"dse\": enf_original, \"sym\": syms_original})\n",
-    "dse_sym_limpio = \"dse_sym_limpio.csv\"\n",
-    "arch.to_csv(\"dse_sym_limpio.tsv\", sep =\"\\t\",index=False)"
-   ]
-  },
-  {
-   "cell_type": "code",
-   "execution_count": 52,
-   "id": "8f6fc9e2-748b-457a-87bd-59763f142dc9",
-   "metadata": {},
-   "outputs": [],
-   "source": [
-    "dse_sym_limpio_f = pd.read_csv(\"dse_sym_limpio.tsv\", sep =\"\\t\")"
-   ]
-  },
-  {
-   "cell_type": "code",
-   "execution_count": null,
-   "id": "11fdf2fd-f381-4752-b146-b9555d22fe2a",
-   "metadata": {},
-   "outputs": [],
-   "source": []
-  }
- ],
- "metadata": {
-  "kernelspec": {
-   "display_name": "Python 3 (ipykernel)",
-   "language": "python",
-   "name": "python3"
-  },
-  "language_info": {
-   "codemirror_mode": {
-    "name": "ipython",
-    "version": 3
-   },
-   "file_extension": ".py",
-   "mimetype": "text/x-python",
-   "name": "python",
-   "nbconvert_exporter": "python",
-   "pygments_lexer": "ipython3",
-   "version": "3.11.6"
-  }
- },
- "nbformat": 4,
- "nbformat_minor": 5
-}

Network Science/README.md

-# Network Science
-## General Information
-
-| Resumen del repositorio ||
-|-----------------|--------|
-| Fecha de creación | 16.10.2023 |
-| Resumen | Este repositorio contiene los datos, scripts de Python y Jupyter Notebooks empleados para aplicar métricas propias de Network Science a redes de enfermedades bipartitas y proyectadas |
-
-### Autores
-
-| Nombre del autor| Email|
-|-----------------:|-----------|
-|María Marín Tercero | maria.marin.tercero@alumnos.upm.es |
-
-
-### Contenido del repositorio
-| Nombre | Función |
-|-|-|
-| Data | Datos sobre los nodos y enlaces empleados para generar las redes bipartitas y proyectadas.  |
-| funciones_network_science.py | Funciones empleadas para aplicar métricas de Network Science a las redes bipartitas y proyectadas.<br><br> Métricas aplicadas: grados, Average Shortest Path Length, Largest Connected Component, transitividad, centralidad de intermediación y centralidad de cercanía. ||
-| Métricas en redes bipartitas.ipynb | Creación de redes bipartitas y proyectadas de enfermedades relacionadas en función de genes, fármacos y/o síntomas en común. Aplicación de métricas de Network Science a las redes generadas