看初学者如何理解RNA-seq的count矩阵

生信技能树

发布于 2020-03-10 11:57:54

4.7K0

发布于 2020-03-10 11:57:54

文章被收录于专栏：生信技能树生信技能树

我布置了一个作业，让大家可以尝试把cox可以火山图为什么gsea结果不行这个里面的数据集 GSE101668 ，里面的表达矩阵，进行热图可视化，很多同学完成了作业，我随机挑选其中一个学徒的优秀笔记跟大家分享！

学徒笔记分享

接到曾老师作业后，我兴高采烈的打开GEO网站搜索GSE代号，粗略看一下分组后，打开R语言，想直接用代码下载数据。一顿操作.

竟然无法读取数据？？

再仔细一看网站发现，这个原来是一个illumnia NGS的文件

这种文件对于我这个才学了1个多星期的超级菜鸟来说，简直是晴空霹雳。遮盖咋整？

不要慌，根据上次的经验，我们还可以通过原始数据来获得表达矩阵，先去生信树公众号里面搜。然后我看到了曾老师的帖子。

然后我尝试着找文件

一共12个文件，然后去根据SRR号码去 FTP site里面找

竟然没有数据

这个就让我懵逼了，为什么没有数据？其实饶了一大圈，我们可以直接从GEO网页直接下载RAWdata

不过这个过程有不错，让我学习了很多以后Linux可能会用到的知识。

我们下载下来后解压缩，发现里面有2组数据，一组是count.txt文件，还有一组是fpkm文件

先试试能不能读取fpkm,因为这个是经过标准化后的数据

library(rio)
library(data.table)
library(readr)

x1<- fread("GSM2711785_WT1.genes.fpkm_tracking.gz") #其实import是无法读取的
class(x1)

竟然是有2个类型（PS: 因为对fread函数不熟悉，不知道可以加上一个参数）

有fpkm还有geneid，有点小激动！

可是仔细一看，他并没有不同组别的数据，这是一个总的或者已经处理的数据，所以对于我来说不需要。

然后我就手动解压缩了counts文件，因为我还是菜鸟，我不太会高级的语言，我都是一步一步做出来，然后有意思的就是每个分组的数据基因排序都是一样的，所有我们就可以直接cbind

1.获取表达矩阵

下面的代码没有写循环，我愧对老师的教导！

library(rio)
library(data.table)
library(readr)
Wt1<- import("GSM2711785_WT1.counts.genes.txt")
Wt2 <- import("GSM2711786_WT2.counts.genes.txt")
wt<- cbind(Wt1,Wt2)
rownames(wt) <- wt[,1]
wt<- wt[,-c(1,3)]
colnames(wt) <- c("GSM2711785","GSM2711786")

Ko21<- import("GSM2711787_KO2-1.counts.genes.txt")
Ko22 <- import("GSM2711788_KO2-2.counts.genes.txt")
ko<- cbind(Ko21,Ko22)
rownames(ko) <- ko[,1]
ko<- ko[,-c(1,3)]
colnames(ko) <- c("GSM2711787","GSM2711788")

ko51 <- import("GSM2711789_KO5-1.counts.genes.txt")
ko52 <- import("GSM2711790_KO5-2.counts.genes.txt")
ko5 <- cbind(ko51,ko52)
rownames(ko5) <- ko5[,1]
ko5 <- ko5[,-c(1,3)]
colnames(ko5) <- c("GSM2711789","GSM2711790")

G1 <- import("GSM2711791_GFP1.counts.genes.txt")
G2 <- import("GSM2711792_GFP2.counts.genes.txt")
g <- cbind(G1,G2)
rownames(g) <- g[,1]
g <- g[,-c(1,3)]
colnames(g) <- c("GSM2711791","GSM2711792")


p11 <- import("GSM2711793_PRDM1a-1.counts.genes.txt")
p12 <- import("GSM2711794_PRDM1a-2.counts.genes.txt")
p1 <- cbind(p11,p12)
rownames(p1) <- p1[,1]
p1 <- p1[,-c(1,3)]
colnames(p1) <- c("GSM2711793","GSM2711794")

p21 <- import("GSM2711795_PRDM1b-1.counts.genes.txt")
p22 <- import("GSM2711796_PRDM1b-2.counts.genes.txt")
p2 <- cbind(p21,p22)
rownames(p2) <- p2[,1]
p2 <- p2[,-c(1,3)]
colnames(p2) <- c("GSM2711795","GSM2711796")

dat <- cbind(wt,ko,ko5,g,p1,p2)            #这里 将所有数据 组合
rdat <- as.matrix(dat)
rdat[1:5,1:5]
write(rdat,"rdata.csv")
class(rdat)
dim(rdat)

boxplot(rdat)

这个boxplot图不行，我们对他进行取log

rdathp <- log2(rdat+1)
boxplot(rdathp)

是不是好多了？

由于没有临床信息的文件，那我们就自己创建一个

group_list <- c("WT","KO","OE")
pd1 <- data.frame(

GSM=c("GSM2711785","GSM2711786","GSM2711787","GSM2711788","GSM2711789","GSM2711790","GSM2711791","GSM2711792","GSM2711793","GSM2711794","GSM2711795","GSM2711796"),
group= c("WT","WT",rep("KO",4),rep("OE",6)),
subgroup=c("WT1","WT","KO2","KO2","KO5","KO5","GFPOE","GFPOE","PRDM1a","PRDM1a","PRDM1b","PRDM1b"))

save(rdat,rdathp,pd1,file="h1.Rdata")

我居然不解释为什么呀log，我错了！而且我分组里面，居然使用了这么丑陋的代码

2.group_list(实验分组)

rm(list = ls())
load(file = "h1.Rdata")
library(stringr)

#分组
pd1[1:12,1:3] #查看pd 找到组别

不愧是自己创建的，真整齐划一

library(stringr) #设置group
group_list=ifelse( str_detect(pd1$group,"WT"),"WT",ifelse(str_detect(pd1$group,"KO"),"KO","OE"))
group_list = factor(group_list,
                    levels = c("WT","KO","OE"))

#忘记给pd1 rownames
rownames(pd1) <- pd1[,1]
p = identical(rownames(pd1),colnames(rdathp));p

当然输出是TRUE

dim(rdathp)
dim(pd1)
save(group_list,rdat,rdathp,pd1, file = "h2.Rdata")

3.画热图

rm(list = ls())
load(file = "h2.Rdata")

library(RColorBrewer)

#热图
cg=names(tail(sort(apply(rdathp,1,sd)),500))#apply按行（'1'是按行取，'2'是按列取）取每一行的方差，从小到大排序，取最大的500行
n=rdathp[cg,]       #形成一个新的矩阵，只有那排名500的基因



#绘制热图
annotation_col=data.frame(group=group_list)
rownames(annotation_col)=colnames(n)  #这里两步就是设置一个分组列表
library(pheatmap)
pheatmap(n,
         show_colnames =F,
         show_rownames = F,
         annotation_col=annotation_col,
         scale = "row" )

dev.off()

进行颜色变换

color.1 <- colorRampPalette(rev(brewer.pal(n = 7, name ="RdYlBu")))(100)
color.3 <- colorRampPalette(rev(c("#ff0000", "#ffffff",  "#0000ff")))(500)
color.2 <- colorRampPalette(rev(c("#ff0000", "#000000", "#00ff00")))(500)

pheatmap(n,
         show_colnames =F,
         show_rownames = F,
         annotation_col=annotation_col,
         scale = "row",
         color = color.1) #颜色这里可以自行调整

切割，同时可以对treeheight 进行修改

p <- pheatmap(n,scale = "row",treeheight_row = 5 ,cutree_rows=5,color = color.2)
class(p)
cluster_infor <- data.frame(labels=p$tree_col$labels,order=cutree(p$tree_col,2))

还可以输出分组，缺图，算了吧

最后是输出图像

pdf(file = "heatmap.pdf",height = 8,width = 6)
print(p)
dev.off()

其实也可以ggsave进行输出

本文参与腾讯云自媒体分享计划，分享自微信公众号。

原始发表：2020-03-08，如有侵权请联系 cloudcommunity@tencent.com 删除

linux

count

fread

geo

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分享计划，欢迎热爱写作的你一起参与！

登录后参与评论

0 条评论

热度