2022.3.20 初版
2022.3.28 加入代碼
2022.11.30 免費給大家使用
眾所周知，差異基因的分析方法有很多種：①普通的差異基因計算方法（limma、edgeR、DESeq2等R包）（缺點：針對不同數(shù)據(jù)集和不同樣本來說，批次效應(yīng)較大，有時候做出來的預(yù)測模型不能用于其他的數(shù)據(jù)，魯棒性較低），②Robust rank aggregation(RRA)排秩法，通過對幾個數(shù)據(jù)集差異基因進(jìn)行排序，篩選出普遍適用的差異基因（優(yōu)點：能高效去除批次效應(yīng)，魯棒性較高，結(jié)果、模型等普遍適用于其他的數(shù)據(jù)集；缺點：同時分析多個數(shù)據(jù)集，單個數(shù)據(jù)集無法使用）（這個方法網(wǎng)上很多教程也有，只是不是很詳細(xì)，你們可以去讀讀然后思考思考，我看情況今后也會講講）③基于基因秩序表達(dá)秩序關(guān)系識別穩(wěn)定逆轉(zhuǎn)基因?qū)Γň褪墙酉聛砦乙v的這個）（優(yōu)缺點待會你們就知道啦）
誤入BioInfor的大黃鴨 --一個喜歡把教程寫著寫著寫成科普的本科臨床醫(yī)學(xué)生
穩(wěn)定逆轉(zhuǎn)基因?qū)Γ╮elative expression orderings，REOs），即一種基因的秩序存在的模式，假設(shè)基因i（Gi）和基因j（Gj），若在95%（或90%[a]）的正常樣本中Gi>Gj（或Gi<Gj），我們稱之為穩(wěn)定基因?qū)Α６?5%（或90%）腫瘤樣本中情況相反，則我們定義為穩(wěn)定逆轉(zhuǎn)基因?qū)Γ≧EOs），穩(wěn)定逆轉(zhuǎn)基因?qū)χ苯佑谩笆恰被颉胺瘛眮矶x是否具有差異，故該方法計算結(jié)果無差異倍數(shù)，但是對每個樣本進(jìn)行了量化，按照每個樣本的情況來定義的，不像普通差異分析方法是按照平均表達(dá)量來計算，因此批次效應(yīng)會低很多。因此此差異分析方法僅適用于各模型的構(gòu)建及特征基因的篩選。
[a]其實這個數(shù)是自己隨便主觀定義的數(shù)，只要篩選出的穩(wěn)定逆轉(zhuǎn)基因?qū)Φ淖詈蟮哪Ｐ徒Y(jié)果夠好就行了，80%也可以，我推薦使用90%或95%，因為畢竟有參考文獻(xiàn)支持，審稿人問你這個數(shù)怎么來的，你也可以有底氣的回答。
例：
| ID | 樣本A_con | 樣本B_con | 樣本C_con | 樣本D_con | 樣本E_con | 樣本F_treat | 樣本G_treat | 樣本H_treat | 樣本I_treat | 樣本J_treat |
|---|---|---|---|---|---|---|---|---|---|---|
| Gene A | 0.85 | 0.82 | 0.73 | 0.89 | 0.83 | 0.24 | 0.28 | 0.46 | 0.25 | 0.33 |
| Gene B | 0.47 | 0.53 | 0.26 | 0.37 | 0.43 | 0.67 | 0.73 | 0.83 | 0.66 | 0.76 |
若Gene A>Gene B，我們用1表示，反之用0表示，則：
| ID | 樣本A_con | 樣本B_con | 樣本C_con | 樣本D_con | 樣本E_con | 樣本F_treat | 樣本G_treat | 樣本H_treat | 樣本I_treat | 樣本J_treat |
|---|---|---|---|---|---|---|---|---|---|---|
| Gene A / Gene B | 1 | 1 | 1 | 1 | 1 | 0 | 0 | 0 | 0 | 0 |
在95%（或90%）的樣本中，正常組Gene A都大于Gene B，腫瘤組Gene A都小于Gene B，因此我們把Gene A / Gene B定義為穩(wěn)定逆轉(zhuǎn)基因?qū)Α?/p>
應(yīng)用：
穩(wěn)定逆轉(zhuǎn)基因?qū)Φ膽?yīng)用主要在于特征基因的篩選，如輸入最小冗余最大關(guān)聯(lián)算法（mRMR）、隨機森林算法（RF）、LASSO、支持向量機（SVM）等，還有人工神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建。可作為分類器的特征篩選使用，對亞型分型、個性化治療、早期診斷等提供幫助。
我之前寫的這個R包已經(jīng)更新到了2.0版本，我已上傳到Github上，為了感謝各位粉絲的關(guān)注，我把包和代碼公開了，放到了Github上，方便大家使用。https://github.com/MYNong123/StabRvsPair/
實例代碼如下
Normal = read.table("Normal.txt",header=T,sep="\t",check.names=F,row.names=1) #讀取Normal矩陣
Tumor = read.table("Tumor.txt",header=T,sep="\t",check.names=F,row.names=1) #讀取Tumor矩陣
#加載包
library(StabRvsPair)
library(stringr)
PairTime=testRunTime(Normal,Tumor,0.9,0.1) #測試電腦運行速度
GetPair=FindStabRvsPair(Normal,Tumor,0.9,0.1) #獲取穩(wěn)定逆轉(zhuǎn)基因?qū)?
GenePair=CalStabRvsPair(GetPair,Normal,Tumor) #獲取穩(wěn)定逆轉(zhuǎn)基因?qū)仃?大家可以使用代碼進(jìn)行安裝：
install.packages("devtools")
devtools::install_github("MYNong123/StabRvsPair")
安裝完就可以用啦！多核運算僅限于Linux服務(wù)器，這個代碼需要計算很久。
參考文獻(xiàn)：
[1]張子梅. 利用機器學(xué)習(xí)方法識別肝癌早期診斷標(biāo)志[D].電子科技大學(xué),2021.DOI:10.27005/d.cnki.gdzku.2021.002251.
由于StabRvsPair包是我辛辛苦苦自己寫的，來之不易，想用的朋友在微公號發(fā)送“基因?qū)Α薄?/del>
不收費了，直接免費提供給大家！！
本教程就先講到這啦，后續(xù)隨后更新，歡迎大家關(guān)注支持～大家關(guān)注一下我：誤入BioInfor的大黃鴨
