這里是佳奧，這一篇我們主要在IGV內進行可視化操作。

由于只是學習過程，這里的數(shù)據(jù)我拿上一次跑ChIP-Seq的.bw文件作為示例。

QQ截圖20220823204743.png

僅做例子。

1 IGV可視化

載入：.bw

選擇正確參考基因組。

輸入感興趣基因名稱，文章里的是pho。

右鍵樣本，使得尺度一致。

QQ截圖20220823205224.png

右鍵，Change Track Color，選擇改變的顏色。

QQ截圖20220823205459.png

2 目標基因表達量繪圖

幸運的是，往后部分有資料，那么我們就一步一步來吧。

資料來源

https://share.weiyun.com/5qmxu7Z

QQ截圖20220823205731.png

我們從第一步，gene-expression開始，數(shù)據(jù)來源就是all.counts.id，是RNA-Seq分析的結果文件。

##導入表達矩陣
rm(list = ls())
options(stringsAsFactors = F)
a=read.table('all.counts.id.txt',header = T)
dim(a)

##繪制表達量圖barplot
##第一個基因pho
cg=a[a[,1]=='pho',7:16]
library(ggpubr)
library(stringr)
dat=data.frame(gene=as.numeric(cg),
               sample=names(cg),
               group=str_split(names(cg),'_',simplify = T)[,1]
               )
ggbarplot(dat,x='sample',y='gene',color = 'group')

QQ截圖20220823211025.png

##第二個基因Spps
cg=a[a[,1]=='Spps',7:16]
library(ggpubr)
library(stringr)
dat=data.frame(gene=as.numeric(cg),
               sample=names(cg),
               group=str_split(names(cg),'_',simplify = T)[,1]
)
ggbarplot(dat,x='sample',y='gene',color = 'group')

QQ截圖20220823211936.png

后續(xù)還有需要調整的地方，比如把柱改成實心，具體顏色修改等。

3 多個基因相關性繪圖

導入數(shù)據(jù)，第二步，check-correlation

rm(list = ls())
options(stringsAsFactors = F)
a=read.table('../figure-01-check-gene-expression//all.counts.id.txt',header = T)
dim(a)
dat=a[,7:16]

##需要把數(shù)據(jù)整理一下，有的在0，1附近，有的上萬，采用log(dat+1)

##各組間相關性
library(stringr)
ac=data.frame(group=str_split(colnames(dat),'_',simplify = T)[,1])
rownames(ac)=colnames(dat)
M=cor(log(dat+1))
pheatmap::pheatmap(M,
                   annotation_col = ac) 

QQ截圖20220823213046.png

相關性0.98，很高。

##內部相關性
pheatmap::pheatmap(scale(M),
                   annotation_col = ac) 

QQ截圖20220823213225.png

cg=dat[,colnames(dat)[grepl('_1',colnames(dat))]]
library(ggpubr)
cg=log(cg+1)
pairs(cg)

QQ截圖20220823225422.png

deeptools計算相關度（通過.bw文件計算）

##從.bw文件開始
multiBigwigSummary bins -b ../align/*.rmdup.bw -o results.npz -p 4

##繪制熱圖
plotCorrelation -in results.npz \
--corMethod spearman -- skipZeros \
--plotTitle "Spearman Correlation of Read Counts" \
--whatToPlot heatmap --colorMap RdYlBu --plotNumbers \
--plotFileFormat pdf \
-o heatmap_SpearmanCorr_readCounts.pdf \
--outFileCorMatrix SpearmanCorr_readCounts.tab

QQ截圖20220823230331.png

對結果不滿意可以把SpearmanCorr_readCounts.tab內容放到R用pheatmap函數(shù)來繪制熱圖：

##先在Linux內把SpearmanCorr_readCounts.tab另存為txt
less SpearmanCorr_readCounts.tab > tab.txt

##導入R繪制熱圖
txt <- read.table('tab.txt')
txt <- log(txt+1)
pheatmap::pheatmap(txt)

QQ截圖20220823231124.png

下一篇我們繼續(xù)尋找差異基因并可視化的內容。

我們下一篇再見！