GEO数据挖掘二
生信技能树学徒第二周
一、GEO数据库 芯片数据获取
-
#数据下载
-
rm(list = ls())
-
library(GEOquery)
-
#先去网页确定是否是表达芯片数据,不是的话不能用本流程。以GSE56649为例
-
gse_number = "GSE56649"
-
eSet <- getGEO(gse_number, destdir = '.', getGPL = F)
-
class(eSet)
-
length(eSet)
-
#得出往往是一个长度为一的列表,转换为数据框的格式
-
eSet = eSet[[1]]
-
#(1)提取表达矩阵exp
-
exp <- exprs(eSet)
-
dim(exp)
-
exp[1:4,1:4]
-
#检查矩阵是否正常,如果是空的就会报错,空的和有负值的、有异常值的矩阵需要处理原始数据。
-
#如果表达矩阵为空,大多数是转录组数据,不能用这个流程。
-
#自行判断是否需要log,一般boxplot 后的纵坐标范围在0-20之间,如果过高就需要取log
-
#exp = log2(exp 1)
-
boxplot(exp)
-
#(2)提取临床信息,会有分组信息,我们根据分组信息来进行命名
-
pd <- pData(eSet)
-
#(3)让exp列名与pd的行名顺序完全一致,
-
p = identical(rownames(pd),colnames(exp));p
-
if(!p) exp = exp[,match(rownames(pd),colnames(exp))]
-
#(4)提取芯片平台编号
-
gpl_number <- eSet@annotation;gpl_number
-
save(gse_number,pd,exp,gpl_number,file = "step1output.Rdata")
因此,数据获取并确认的流程,getGEO函数下载数据→转换格式→提取表达矩阵→提取分组信息→确认分组对应
二、确定分组以及探针注释的获取
数据默认分组时冗长的,我们一般用control和treat来进行重新命名分组
-
# 标准流程代码是二分组
-
# 生成Group向量的三种常规方法,三选一,选谁就把第几个逻辑值写成T,另外两个为F。如果三种办法都不适用,可以继续往后写else if
-
if(F){
-
# 1.Group----
-
# 第一种方法,有现成的可以用来分组的列
-
Group = pd$`disease state:ch1`
-
}else if(F){
-
# 第二种方法,自己生成
-
Group = c(rep("RA",times=13),
-
rep("control",times=9))
-
Group = rep(c("RA","control"),times = c(13,9))
-
}else if(T){
-
# 第三种方法,使用字符串出理的函数获取分组
-
Group=ifelse(str_detect(pd$source_name_ch1,"control"),
-
"control",
-
"RA")
-
}
-
#结束之后及时进行检查
-
# 需要把Group转换成因子,并设置参考水平,指定levels,对照组在前,处理组在后
-
Group = factor(Group,levels = c("control","RA"))#确定control的位置,总是要把它放在第一的位置上!关键词相应
-
Group
探针对应到基因里
-
#捷径,不同GPL 基因注释是不同的,因此获取相应的GPL编号
-
library(tinyarray)
-
find_anno(gpl_number)
-
ids <- AnnoProbe::idmap('GPL570')
-
#四种方法,方法1里找不到就从方法2找,以此类推。
-
#方法1 BioconductorR包(最常用)
-
gpl_number
-
#http://www.bio-info-trainee.com/1399.html
-
if(!require(hgu133plus2.db))BiocManager::install("hgu133plus2.db")
-
library(hgu133plus2.db)
-
ls("package:hgu133plus2.db")#展示这个包里有哪些数据
-
ids <- toTable(hgu133plus2SYMBOL)#专用函数获取数据
-
head(ids)
-
# 方法2 读取GPL网页的表格文件,按列取子集
-
##https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GPL570
-
if(F){
-
#注:表格读取参数、文件列名不统一,活学活用,有的表格里没有symbol列,也有的GPL平台没有提供注释表格
-
b = read.table("GPL570-55999.txt",header = T,
-
quote = "\"",sep = "\t",check.names = F)
-
colnames(b)
-
ids2 = b[,c("ID","Gene Symbol")]
-
colnames(ids2) = c("probe_id","symbol")
-
ids2 = ids2[ids2$symbol!="" & !str_detect(ids2$symbol,"///"),]
-
}
-
-
# 方法3 官网下载注释文件并读取
-
##http://www.affymetrix.com/support/technical/byproduct.affx?product=hg-u133-plus
-
# 方法4 自主注释
-
#https://mp.weixin.qq.com/s/mrtjpN8yDKUdCSvSUuUwcA
-
save(exp,Group,ids,gse_number,file = "step2output.Rdata")
三、PCA和热图绘制
-
rm(list = ls())
-
load(file = "step1output.Rdata")
-
load(file = "step2output.Rdata")
-
#输入数据:exp和Group
-
#Principal Component Analysis
-
#http://www.sthda.com/english/articles/31-principal-component-methods-in-r-practical-guide/112-pca-principal-component-analysis-essentials
-
-
# 1.PCA 图----
-
dat=as.data.frame(t(exp))
-
library(FactoMineR)
-
library(factoextra)
-
dat.pca <- PCA(dat, graph = FALSE)
-
pca_plot <- fviz_pca_ind(dat.pca,
-
geom.ind = "point", # show points only (nbut not "text")
-
col.ind = Group, # color by groups
-
palette = c("#00AFBB", "#E7B800"),#规定颜色
-
addEllipses = TRUE, # Concentration ellipses
-
legend.title = "Groups"
-
)
-
pca_plot
-
save(pca_plot,file = "pca_plot.Rdata")
-
-
# 2.top 1000 sd 热图----
-
cg=names(tail(sort(apply(exp,1,sd)),1000))
-
n=exp[cg,]
-
-
# 直接画热图,对比不鲜明
-
library(pheatmap)
-
annotation_col=data.frame(group=Group)
-
rownames(annotation_col)=colnames(n)
-
pheatmap(n,
-
show_colnames =F,
-
show_rownames = F,
-
annotation_col=annotation_col
-
)
-
-
# 按行标准化
-
pheatmap(n,
-
show_colnames =F,
-
show_rownames = F,
-
annotation_col=annotation_col,
-
scale = "row",
-
breaks = seq(-3,3,length.out = 100)#规定取值对应颜色的而范围以及分1000个级别
-
#cluster_rows = TRUE 是否聚类
-
#cluster_cols = TRUE
-
)
-
dev.off()
四、差异分析
-
rm(list = ls())
-
load(file = "step2output.Rdata")
-
#差异分析,用limma包来做
-
#需要表达矩阵和Group,不需要改
-
library(limma)
-
design=model.matrix(~Group)
-
fit=lmFit(exp,design)
-
fit=eBayes(fit)
-
deg=topTable(fit,coef=2,number = Inf)
-
-
#为deg数据框添加几列
-
#1.加probe_id列,把行名变成一列
-
library(dplyr)
-
deg <- mutate(deg,probe_id=rownames(deg))
-
#2.加上探针注释,去除一个基因对应多种探针ID,随机去重
-
ids = ids[!duplicated(ids$symbol),]
-
#其他去重方式在zz.去重方式.R
-
deg <- inner_join(deg,ids,by="probe_id")
-
nrow(deg)
-
-
#3.加change列,标记上下调基因
-
logFC_t=1
-
P.Value_t = 0.05
-
k1 = (deg$P.Value < P.Value_t)&(deg$logFC < -logFC_t)
-
k2 = (deg$P.Value < P.Value_t)&(deg$logFC > logFC_t)
-
deg <- mutate(deg,change = ifelse(k1,"down",ifelse(k2,"up","stable")))
-
table(deg$change)
-
#4.加ENTREZID列,用于富集分析(symbol转entrezid,然后inner_join)
-
library(clusterProfiler)
-
library(org.Hs.eg.db)
-
s2e <- bitr(deg$symbol,
-
fromType = "SYMBOL",
-
toType = "ENTREZID",
-
OrgDb = org.Hs.eg.db)#人类
-
#其他物种http://bioconductor.org/packages/release/BiocViews.html#___OrgDb
-
deg <- inner_join(deg,s2e,by=c("symbol"="SYMBOL"))
-
save(Group,deg,logFC_t,P.Value_t,gse_number,file = "step4output.Rdata")
差异分析主要是用limma包来做的,通过lmFIT和ebays(用来拟合和校正t检验之中的方差部分),之后添加探针注释,标记上下调基因,加RNTREZID列来用于差异分析
五、差异分析后画图部分
-
rm(list = ls())
-
load(file = "step1output.Rdata")
-
load(file = "step4output.Rdata")
-
#1.火山图----
-
library(dplyr)
-
library(ggplot2)
-
#这次去重复是去除多个表达量对应一个基因的情况,随机去重
-
dat = deg[!duplicated(deg$symbol),]
-
## 规定横纵轴
-
p <- ggplot(data = dat,
-
aes(x = logFC,
-
y = -log10(P.Value)))
-
geom_point(alpha=0.4, size=3.5,
-
aes(color=change))
-
ylab("-log10(Pvalue)")
-
scale_color_manual(values=c("blue", "grey","red"))
-
geom_vline(xintercept=c(-logFC_t,logFC_t),lty=4,col="black",lwd=0.8)
-
geom_hline(yintercept = -log10(P.Value_t),lty=4,col="black",lwd=0.8)
-
theme_bw()
-
p
-
#优秀的管道符号,将一个函数的运算结果传输到下一个函数中
-
for_label <- dat%>%
-
可以更换自己关注的基因名称
-
filter(symbol %in% c("HADHA","LRRFIP1"))##
-
# 火山图
-
volcano_plot <- p
-
geom_point(size = 3, shape = 1, data = for_label)
-
ggrepel::geom_label_repel(
-
aes(label = symbol),
-
data = for_label,
-
color="black"
-
)
-
volcano_plot
-
-
#2.差异基因热图----
-
-
load(file = 'step2output.Rdata')
-
# 表达矩阵行名替换
-
exp = exp[dat$probe_id,]
-
rownames(exp) = dat$symbol
-
if(F){
-
#全部差异基因
-
cg = dat$symbol[dat$change !="stable"]
-
length(cg)
-
}else{
-
#取前10上调和前10下调
-
library(dplyr)
-
dat2 = dat %>%
-
filter(change!="stable") %>%
-
arrange(logFC)
-
cg = c(head(dat2$symbol,10),
-
tail(dat2$symbol,10))
-
}
-
n=exp[cg,]
-
dim(n)
-
-
#差异基因热图
-
library(pheatmap)
-
annotation_col=data.frame(group=Group)
-
rownames(annotation_col)=colnames(n)
-
heatmap_plot <- pheatmap(n,show_colnames =F,
-
scale = "row",
-
#cluster_cols = F,
-
annotation_col=annotation_col,
-
breaks = seq(-3,3,length.out = 100)
-
)
-
heatmap_plot
-
#拼图
-
library(patchwork)
-
library(ggplotify)
-
volcano_plot as.ggplot(heatmap_plot)
-
-
# 3.感兴趣基因的相关性----
-
library(corrplot)
-
g = deg$symbol[1:10] # 换成自己感兴趣的基因
-
g
-
-
M = cor(t(exp[g,]))
-
pheatmap(M)
-
-
library(paletteer)
-
my_color = rev(paletteer_d("RColorBrewer::RdYlBu"))
-
my_color = colorRampPalette(my_color)(10)
-
corrplot(M, type="upper",
-
method="pie",
-
order="hclust",
-
col=my_color,
-
tl.col="black",
-
tl.srt=45)
-
library(cowplot)
-
cor_plot <- recordPlot()
-
-
# 拼图
-
load("pca_plot.Rdata")
-
plot_grid(pca_plot,cor_plot,
-
volcano_plot,heatmap_plot$gtable)
-
dev.off()
-
#保存
-
pdf("deg.pdf")
-
plot_grid(pca_plot,cor_plot,
-
volcano_plot,heatmap_plot$gtable)
-
dev.off()
这篇好文章是转载于:学新通技术网
- 版权申明: 本站部分内容来自互联网,仅供学习及演示用,请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系,请提供相关证据及您的身份证明,我们将在收到邮件后48小时内删除。
- 本站站名: 学新通技术网
- 本文地址: /boutique/detail/tanhggjkhh
系列文章
更多
同类精品
更多
-
photoshop保存的图片太大微信发不了怎么办
PHP中文网 06-15 -
《学习通》视频自动暂停处理方法
HelloWorld317 07-05 -
word里面弄一个表格后上面的标题会跑到下面怎么办
PHP中文网 06-20 -
Android 11 保存文件到外部存储,并分享文件
Luke 10-12 -
photoshop扩展功能面板显示灰色怎么办
PHP中文网 06-14 -
微信公众号没有声音提示怎么办
PHP中文网 03-31 -
excel下划线不显示怎么办
PHP中文网 06-23 -
excel打印预览压线压字怎么办
PHP中文网 06-22 -
TikTok加速器哪个好免费的TK加速器推荐
TK小达人 10-01 -
怎样阻止微信小程序自动打开
PHP中文网 06-13