前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >如果表达矩阵被归一化会发生什么

如果表达矩阵被归一化会发生什么

作者头像
生信技能树
发布2019-07-18 18:56:21
9370
发布2019-07-18 18:56:21
举报
文章被收录于专栏:生信技能树生信技能树

事情起源于,某个吃了很多汉堡王一起学习的日子,技能树一众学徒一起学习从GEO数据挖掘到limma差异分析等等等。

选的数据集倒是很有、趣。依据原始表达矩阵随便画的热图是这样的?(已经很整齐均一了

t(scale(t(x))) 归一化后,画出来是这样的? (已经美的不真实了

而且呢,logFC也高到惊人

代码语言:javascript
复制
checkFC <- fivenum(DEGdf$logFC)
checkFC
# [1] -13.4823993  -0.5407014   0.1940622   0.6915652  13.0133092

所以其实这个表达矩阵是已经归一化过的。

为了探究事物的本质和宇宙奥义,拿一个优秀的、表现无异常的数据集,分别求由原始矩阵得出的logFC, 和由归一化矩阵的logFC, 看看普通FC诡异FC之间存不存在规律/线性关系。


用来反推的数据集

GSE12452, 这里根据生信技能树GEO视频全R代码流程:

常规操作

(1)GEO数据下载
代码语言:javascript
复制
gset<- getGEO('GSE12452', destdir=".",
              AnnotGPL = F,   
              getGPL = F) 
(2)获得表达矩阵及分组信息
代码语言:javascript
复制
eset <- gset[[1]]
expmat <- exprs(eset)
pd <- pData(eset)
group_list <- ifelse(grepl('normal',pd$title),'normal','npc')
(3) limma差异分析
代码语言:javascript
复制
library(limma)
design <- model.matrix(~0+factor(group_list))
colnames(design) <- levels(factor(group_list))
rownames(design) <- colnames(expmat)
contrast.matrix<-makeContrasts("npc-normal",levels = design)
contrast.matrix
#         Contrasts
# Levels   npc-normal
#   normal         -1
#   npc             1

jimmy大神把拟合过程包在了一个函数里:

代码语言:javascript
复制
deg = function(expmat,design,contrast.matrix){
  ##step1
  fit <- lmFit(expmat,design)
  ##step2
  fit2 <- contrasts.fit(fit, contrast.matrix) 
  ##这一步很重要,大家可以自行看看效果

  fit2 <- eBayes(fit2)  ## default no trend !!!
  ##eBayes() with trend=TRUE
  ##step3
  tempOutput = topTable(fit2, coef=1, n=Inf)
  nrDEG = na.omit(tempOutput) 
  #write.csv(nrDEG2,"limma_notrend.results.csv",quote = F)
  head(nrDEG)
  return(nrDEG)
}
差异分析结果
代码语言:javascript
复制
DEGs <- deg(expmat,design,contrast.matrix)

先归一化表达矩阵,再做差异分析

这里选择zcore进行归一化:

代码语言:javascript
复制
NM_expmat <- t(scale(t(expmat)))
代码语言:javascript
复制
NMdesign <- model.matrix(~0+factor(group_list))
colnames(NMdesign) <- levels(factor(group_list))
rownames(NMdesign) <- colnames(NM_expmat)
NMcontrast.matrix<-makeContrasts("npc-normal",levels = NMdesign)
NMcontrast.matrix
#         Contrasts
# Levels   npc-normal
#   normal         -1
#   npc             1
## 其实设计矩阵、比较矩阵和前面的是一样的
差异分析结果
代码语言:javascript
复制
NM_DEGs <- deg(NM_expmat,NMdesign,NMcontrast.matrix)

比较两个FC

画图
代码语言:javascript
复制
common_FC <- DEGs$logFC
weird_FC <- NM_DEGs$logFC
plot(common_FC , weird_FC)

冷静一下,这是染色体。

所以这意味着,一些logFC值的正负反过来了,意味着,上调下调过来了。

检验正负变化
代码语言:javascript
复制
table(common_FC > 0)
# FALSE  TRUE 
# 24849 19300 

table(weird_FC > 0)
# FALSE  TRUE 
# 24849 19300 

神奇的是,两个FC中正负值的数量是一样的,难道没变吗?

再用负负得正检验一下

代码语言:javascript
复制
test <- (common_FC * weird_FC)
table(test > 0)
# FALSE  TRUE 
# 21382 22767 

emmmm这说明有21382个FC值的正负变了….吗?

确认一下:

乍一看没什么问题,顺序是一致的,所以直接画图,乘除没问题。

但,问题就是,顺序居然是一致的?

检查一下发现自己太年轻,顺序怎么可能一致!!!!

代码语言:javascript
复制
table(row.names(DEGs)==row.names(NM_DEGs))
# FALSE  TRUE 
# 43984   165 

NEVER BELIEVE WHAT YOU SEE - by 鲁迅

重新排序后:

代码语言:javascript
复制
order1 <- row.names(DEGs)
odNM_DEGs <- NM_DEGs[order1,]
table(row.names(DEGs)==row.names(odNM_DEGs))
#  TRUE 
# 44149 
fntest <- (DEGs$logFC * odNM_DEGs$logFC)
table(fntest > 0)
# TRUE 
# 44149 

所以并没有正负变换、上调下调变换这么恐怖的事….

手动根据公式算FC

代码语言:javascript
复制
mean_210297_s_at <- mean(expmat[,design[,2]==1]['210297_s_at',])
ckmean_210297_s_at <- mean(expmat[,design[,2]==0]['210297_s_at',])
comFC_210297_s_at <- mean_210297_s_at - ckmean_210297_s_at
comFC_210297_s_at
# [1] -3.566486
DEGs["210297_s_at",1]
# [1] -3.566486
代码语言:javascript
复制
mean_210297_s_at <- mean(NM_expmat[,design[,2]==1]['210297_s_at',])
ckmean_210297_s_at <- mean(NM_expmat[,design[,2]==0]['210297_s_at',])
wrdFC_210297_s_at <- mean_210297_s_at - ckmean_210297_s_at
wrdFC_210297_s_at
# [1] -1.36838
odNM_DEGs["210297_s_at",1]
# [1] -1.36838

都是没问题的。

画图

代码语言:javascript
复制
common_FC <- DEGs$logFC
odered_NMFC <- odNM_DEGs$logFC
plot(common_FC , odered_NMFC)

所以正确的应该是染色质。(雾

代码语言:javascript
复制
plot(abs(correctFC), abs(odered_NMFC))

经归一化的表达矩阵做差异分析,得到的FC大概会落在

里,原始矩阵不同归一化矩阵不同,一顿操作得到的两个FC和它们之间关系肯定也不同,so,大概也并不是很普适(@_@;)

代码语言:javascript
复制
plot(abs(correctFC), abs(correctFC)/abs(odered_NMFC))
代码语言:javascript
复制
plot(common_FC, common_FC/odered_NMFC)

目前看起来,以GSE12452为例,表达矩阵被归一化后再做差异分析,FC阈值缩为原来的一半,绝大部分FC0是FC的1.25倍,极少数在3倍以上,FC0和FC0/FC的关系在0.5x以上。


A

E

作者

假装

挖金矿的狮毛

编辑

小洁

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2019-07-15,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 生信技能树 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 用来反推的数据集
  • 常规操作
    • (1)GEO数据下载
      • (2)获得表达矩阵及分组信息
        • (3) limma差异分析
          • 差异分析结果
          • 先归一化表达矩阵,再做差异分析
            • 差异分析结果
            • 比较两个FC
              • 画图
                • 检验正负变化
                • 手动根据公式算FC
                • 画图
                领券
                问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档