盤一盤 生信技能樹R語言小作業(yè)（高級）

生信人的20個(gè)R語言習(xí)題

1.安裝一些R包：

數(shù)據(jù)包： ALL, CLL, pasilla, airway 
軟件包：limma，DESeq2，clusterProfiler 
工具包：reshape2
繪圖包：ggplot2

# 設(shè)置鏡像
options(repos<- c(CRAN="https://mirrors.tuna.tsinghua.edu.cn/CRAN/") )
source("https://bioconductor.org/biocLite.R")
options("BioC_mirror"<- "https://mirrors.ustc.edu.cn/bioc/")
# 安裝必須的包
install.packages("RSQLite")
#哎呀，出現(xiàn)錯(cuò)誤，試一下這個(gè)
install.packages('RSQLite', dependencies=TRUE, repos='http://cran.rstudio.com/')
library(DESeq2)
library(reshape2)

2.了解ExpressionSet對象，比如CLL包里面就有data(sCLLex) ，找到它包含的元素，提取其表達(dá)矩陣(使用exprs函數(shù))，查看其大小
參考：http://www.bio-info-trainee.com/bioconductor_China/software/limma.html
參考：https://github.com/bioconductor-china/basic/blob/master/ExpressionSet.md

# 以下在小作業(yè)中級均提到過
# 參考 http://www.itdecent.cn/p/e15ee2cd3174
library(CLL)
data(sCLLex)
sCLLex
exprSet <- exprs(sCLLex)
dim(exprSet)

##sCLLex是依賴于CLL這個(gè)package的一個(gè)對象
samples=sampleNames(sCLLex)
pdata=pData(sCLLex)
# 生成分組信息
group_list=as.character(pdata[,2])
dim(exprSet)
exprSet[1:5,1:5]

3.了解 str,head,help函數(shù)，作用于 第二步提取到的表達(dá)矩陣

# 看一下exprSet的結(jié)構(gòu)
str(exprSet)
# 顯示前六行（默認(rèn)）
head(exprSet)
# 如何想看幾行就看幾行呢 10為例
head(exprSet,n=10)
# 萬物皆可"help"&"?"
help()

4.安裝并了解 hgu95av2.db 包,看看 ls("package:hgu95av2.db") 后 顯示的那些變量

# BiocManager::install('hgu95av2.db')
library(hgu95av2.db)
# 如前
ls("package:hgu95av2.db")

5.理解 head(toTable(hgu95av2SYMBOL)) 的用法，找到 TP53 基因?qū)?yīng)的探針I(yè)D

ids <- toTable(hgu95av2SYMBOL)
head(ids)
# 找到 TP53 基因?qū)?yīng)的探針I(yè)D，也可直接去數(shù)據(jù)框搜
ID <- ids[ids$symbol%in%"TP53",][,1]
# 保存下數(shù)據(jù)，方便下次繼續(xù)，避免從頭開始。
save(ids,exprSet,pdata,file = 'input.Rdata')

6.理解探針與基因的對應(yīng)關(guān)系，總共多少個(gè)基因，基因最多對應(yīng)多少個(gè)探針，是哪些基因，是不是因?yàn)檫@些基因很長，所以在其上面設(shè)計(jì)多個(gè)探針呢？

# dim一下，發(fā)現(xiàn)11460行，2列
dim(ids)
# unique可見，總共8585個(gè)基因
length(unique(ids$symbol))
# 給多個(gè)基因排序，顯示最靠后的6個(gè)，同樣可以n=10
tail(sort(table(ids$symbol)))
# 查看各出現(xiàn)頻數(shù)的分布，其中6555個(gè)基因只出現(xiàn)了一次
table(sort(table(ids$symbol)))
# 可視化
plot(table(sort(table(ids$symbol))))

7.第二步提取到的表達(dá)矩陣是12625個(gè)探針在22個(gè)樣本的表達(dá)量矩陣，找到那些不在 hgu95av2.db 包收錄的對應(yīng)著SYMBOL的探針。
提示：有1165個(gè)探針是沒有對應(yīng)基因名字的。

# 查看多少%in%，多少!%in%,即分布?？芍?，11460個(gè)TRUE，1165個(gè)FALSE
table(rownames(exprSet) %in% ids$probe_id)
dim(exprSet)

8.過濾表達(dá)矩陣，刪除那1165個(gè)沒有對應(yīng)基因名字的探針。

# 篩選
exprSet=exprSet[rownames(exprSet) %in% ids$probe_id,]
# 11460行
dim(exprSet)

9.整合表達(dá)矩陣，多個(gè)探針對應(yīng)一個(gè)基因的情況下，只保留在所有樣本里面平均表達(dá)量最大的那個(gè)探針。
提示，理解 tapply,by,aggregate,split 函數(shù) , 首先對每個(gè)基因找到最大表達(dá)量的探針。
然后根據(jù)得到探針去過濾原始表達(dá)矩陣

ids=ids[match(rownames(exprSet),ids$probe_id),]
head(ids)
exprSet[1:5,1:5]
if(F){
    # 定義最大平均表達(dá)量的...
  tmp = by(exprSet,ids$symbol,
           function(x) rownames(x)[which.max(rowMeans(x))] )
  probes = as.character(tmp)
  
  dim(exprSet)
  #篩選表達(dá)矩陣
  exprSet=exprSet[rownames(exprSet) %in% probes ,]
  # 看下篩選之后行情況，8585
  dim(exprSet)
  # 表達(dá)矩陣探針換為基因名
  rownames(exprSet)=ids[match(rownames(exprSet),ids$probe_id),2]
  exprSet[1:5,1:5]
}         

# 兩者一樣嗎，F(xiàn)ALSE
identical(ids$probe_id,rownames(exprSet))
# match一下，再鑒定一遍，TRUE
ids=ids[match(rownames(exprSet),ids$probe_id),]
identical(ids$probe_id,rownames(exprSet))
#新建dat
dat=exprSet
#ids新建median這一列，列名為median，同時(shí)對dat這個(gè)矩陣按行操作，取每一行的中位數(shù)，將結(jié)果給到median這一列的每一行
ids$median=apply(dat,1,median)
#對ids$symbol按照ids$median中位數(shù)從大到小排列的順序排序，將對應(yīng)的行賦值為一個(gè)新的ids（跟隨改變）
ids=ids[order(ids$symbol,ids$median,decreasing = T),]
#將symbol這一列取取出重復(fù)項(xiàng)，'!'為否，即取出不重復(fù)的項(xiàng)，去除重復(fù)的gene ，保留每個(gè)基因最大表達(dá)量結(jié)果
ids=ids[!duplicated(ids$symbol),]
dim(ids)
#新的ids取出probe_id這一列，將dat按照取出的這一列中的每一行組成一個(gè)新的dat
dat=dat[ids$probe_id,] 
#把ids的symbol這一列中的每一行給dat作為dat的行名
rownames(dat)=ids$symbol
#保留每個(gè)基因ID第一次出現(xiàn)的信息
dat[1:4,1:4] 
dim(dat)

10.把過濾后的表達(dá)矩陣更改行名為基因的symbol，因?yàn)檫@個(gè)時(shí)候探針和基因是一對一關(guān)系了。見上

#把ids的symbol這一列中的每一行給dat作為dat的行名
rownames(dat)=ids$symbol
#保留每個(gè)基因ID第一次出現(xiàn)的信息
dat[1:4,1:4] 
dim(dat)

11.對第10步得到的表達(dá)矩陣進(jìn)行探索，先畫第一個(gè)樣本的所有基因的表達(dá)量的boxplot,hist,density ， 然后畫所有樣本的 這些圖
參考：http://bio-info-trainee.com/tmp/basic_visualization_for_expression_matrix.html
理解ggplot2的繪圖語法，數(shù)據(jù)和圖形元素的映射關(guān)系

# 管道回來
exprSet=dat
# 
exprSet['GAPDH',]
boxplot(exprSet[,1])
boxplot(exprSet['GAPDH',])
exprSet['ACTB',]
# 用reshape2包畫
library(reshape2)
# 整理分組矩陣
exprSet_L=melt(exprSet)
colnames(exprSet_L)=c('probe','sample','value')
# 獲得分組信息
group_list=as.character(pdata[,2])
exprSet_L$group=rep(group_list,each=nrow(exprSet))
head(exprSet_L)
### ggplot2畫圖 
library(ggplot2)
p=ggplot(exprSet_L,
         aes(x=sample,y=value,fill=group))+geom_boxplot()
print(p)
p=ggplot(exprSet_L,aes(x=sample,y=value,fill=group))+geom_violin()
print(p)
p=ggplot(exprSet_L,aes(value,fill=group))+geom_histogram(bins = 200)+facet_wrap(~sample, nrow = 4)
print(p)
p=ggplot(exprSet_L,aes(value,col=group))+geom_density()+facet_wrap(~sample, nrow = 4)
print(p)
p=ggplot(exprSet_L,aes(value,col=group))+geom_density() 
print(p)
p=ggplot(exprSet_L,aes(x=sample,y=value,fill=group))+geom_boxplot()
p=p+stat_summary(fun.y="mean",geom="point",shape=23,size=3,fill="red")
p=p+theme_set(theme_set(theme_bw(base_size=20)))
p=p+theme(text=element_text(face='bold'),axis.text.x=element_text(angle=30,hjust=1),axis.title=element_blank())
print(p)

放最后一張圖吧


image.png

12.理解統(tǒng)計(jì)學(xué)指標(biāo)mean,median,max,min,sd,var,mad并計(jì)算出每個(gè)基因在所有樣本的這些統(tǒng)計(jì)學(xué)指標(biāo)，最后按照mad值排序，取top 50 mad值的基因，得到列表。

# 異曲同工
g_mean <- tail(sort(apply(exprSet,1,mean)),50)
g_median <- tail(sort(apply(exprSet,1,median)),50)
g_max <- tail(sort(apply(exprSet,1,max)),50)
g_min <- tail(sort(apply(exprSet,1,min)),50)
g_sd <- tail(sort(apply(exprSet,1,sd)),50)
g_var <- tail(sort(apply(exprSet,1,var)),50)
g_mad <- tail(sort(apply(exprSet,1,mad)),50)
g_mad
names(g_mad)
image.png

13.根據(jù)第12步驟得到top 50 mad值的基因列表來取表達(dá)矩陣的子集，并且熱圖可視化子表達(dá)矩陣。試試看其它5種熱圖的包的不同效果。

# 熱一下試試
library(pheatmap)
choose_gene=names(tail(sort(apply(exprSet,1,mad)),50))
choose_matrix=exprSet[choose_gene,]
choose_matrix=t(scale(t(choose_matrix)))
pheatmap(choose_matrix)
image.png

14.取不同統(tǒng)計(jì)學(xué)指標(biāo)mean,median,max,mean,sd,var,mad的各top50基因列表，使用UpSetR包來看他們之間的overlap情況。

## UpSetR
# 看下說明書 https://cran.r-project.org/web/packages/UpSetR/README.html
library(UpSetR)
g_all <- unique(c(names(g_mean),names(g_median),names(g_max),names(g_min),
                  names(g_sd),names(g_var),names(g_mad) ))
dat=data.frame(g_all=g_all,
               g_mean=ifelse(g_all %in%  names(g_mean) ,1,0),
               g_median=ifelse(g_all %in%  names(g_median) ,1,0),
               g_max=ifelse(g_all %in%  names(g_max) ,1,0),
               g_min=ifelse(g_all %in%  names(g_min) ,1,0),
               g_sd=ifelse(g_all %in%  names(g_sd) ,1,0),
               g_var=ifelse(g_all %in%  names(g_var) ,1,0),
               g_mad=ifelse(g_all %in%  names(g_mad) ,1,0)
)
upset(dat,nsets = 7)
image.png

15.在第二步的基礎(chǔ)上面提取CLL包里面的data(sCLLex) 數(shù)據(jù)對象的樣本的表型數(shù)據(jù)。

pdata=pData(sCLLex)
group_list=as.character(pdata[,2])
group_list
dim(exprSet)
exprSet[1:5,1:5]

16.對所有樣本的表達(dá)矩陣進(jìn)行聚類并且繪圖，然后添加樣本的臨床表型數(shù)據(jù)信息(更改樣本名)

## hclust
# 更改表達(dá)矩陣列名
colnames(exprSet)=paste(group_list,1:22,sep='')
# 定義nodePar
nodePar <- list(lab.cex = 0.6, pch = c(NA, 19), 
                cex = 0.7, col = "blue")
# 聚類
hc=hclust(dist(t(exprSet)))
par(mar=c(5,5,5,10)) 
# 繪圖
plot(as.dendrogram(hc), nodePar = nodePar,  horiz = TRUE)
image.png

17.對所有樣本的表達(dá)矩陣進(jìn)行PCA分析并且繪圖，同樣要添加表型信息。

library(ggfortify)
# 互換行和列，dim一下
df=as.data.frame(t(exprSet))
dim(df)
# 不要view df，列太多，軟件會(huì)崩掉；
df$group=group_list 
autoplot(prcomp( df[,1:(ncol(df)-1)] ), data=df,colour = 'group')
#或者
#畫主成分分析圖需要加載這兩個(gè)包
library("FactoMineR")
library("factoextra") 
df=as.data.frame(t(exprSet))
dat.pca <- PCA(df, graph = FALSE)#現(xiàn)在dat最后一列是group_list，需要重新賦值給一個(gè)dat.pca,這個(gè)矩陣是不含有分組信息的
fviz_pca_ind(dat.pca,
             geom.ind = "point", # show points only (nbut not "text")
             col.ind = group_list, # color by groups
             # palette = c("#00AFBB", "#E7B800"),
             addEllipses = TRUE, # Concentration ellipses
             legend.title = "Groups"
)
image.png

image.png

18.根據(jù)表達(dá)矩陣及樣本分組信息進(jìn)行批量T檢驗(yàn)，得到檢驗(yàn)結(jié)果表格

dat = exprSet
group_list=as.factor(group_list)
group1 = which(group_list == levels(group_list)[1])
group2 = which(group_list == levels(group_list)[2])
dat1 = dat[, group1]
dat2 = dat[, group2]
dat = cbind(dat1, dat2)
pvals = apply(exprSet, 1, function(x){
  t.test(as.numeric(x)~group_list)$p.value
})
p.adj = p.adjust(pvals, method = "BH")
avg_1 = rowMeans(dat1)
avg_2 = rowMeans(dat2)
log2FC = avg_2-avg_1
DEG_t.test = cbind(avg_1, avg_2, log2FC, pvals, p.adj)
DEG_t.test=DEG_t.test[order(DEG_t.test[,4]),]
DEG_t.test=as.data.frame(DEG_t.test)
# 查看t檢驗(yàn)結(jié)果表格，包含log2FC、pvals和p.adj等，通常認(rèn)為t<0.05即有統(tǒng)計(jì)學(xué)意義
head(DEG_t.test)
image.png

19.使用limma包對表達(dá)矩陣及樣本分組信息進(jìn)行差異分析，得到差異分析表格，重點(diǎn)看logFC和P值，畫個(gè)火山圖(就是logFC和-log10(P值)的散點(diǎn)圖)。

中級作業(yè)已經(jīng)涉及。
參考 http://www.itdecent.cn/p/e15ee2cd3174

# DEG by limma 
suppressMessages(library(limma)) 
design <- model.matrix(~0+factor(group_list))
colnames(design)=levels(factor(group_list))
rownames(design)=colnames(exprSet)
design

## 下面的 contrast.matrix 矩陣非常重要，制定了誰比誰這個(gè)規(guī)則
contrast.matrix<-makeContrasts(paste0(unique(group_list),collapse = "-"),levels = design)
contrast.matrix 
##這個(gè)矩陣聲明，我們要把progres.組跟stable進(jìn)行差異分析比較
##step1
fit <- lmFit(exprSet,design)
##step2
fit2 <- contrasts.fit(fit, contrast.matrix) ##這一步很重要，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)
image.png
## volcano plot
DEG=nrDEG
logFC_cutoff <- with(DEG,mean(abs( logFC)) + 2*sd(abs( logFC)) )
DEG$change = as.factor(ifelse(DEG$P.Value < 0.05 & abs(DEG$logFC) > logFC_cutoff,
                              ifelse(DEG$logFC > logFC_cutoff ,'UP','DOWN'),'NOT')
)
this_tile <- paste0('Cutoff for logFC is ',round(logFC_cutoff,3),
                    '\nThe number of up gene is ',nrow(DEG[DEG$change =='UP',]) ,
                    '\nThe number of down gene is ',nrow(DEG[DEG$change =='DOWN',])
)
this_tile
head(DEG)
g = ggplot(data=DEG, aes(x=logFC, y=-log10(P.Value), color=change)) +
  geom_point(alpha=0.4, size=1.75) +
  theme_set(theme_set(theme_bw(base_size=20)))+
  xlab("log2 fold change") + ylab("-log10 p-value") +
  ggtitle( this_tile  ) + theme(plot.title = element_text(size=15,hjust = 0.5))+
  scale_colour_manual(values = c('blue','black','red'))  ## corresponding to the levels(res$change)
print(g)
image.png

20.對T檢驗(yàn)結(jié)果的P值和limma包差異分析的P值畫散點(diǎn)圖，看看哪些基因相差很大。

### different P values 
head(nrDEG)
head(DEG_t.test)
# 將limma生成的nrDEG與t檢驗(yàn)合并
DEG_t.test=DEG_t.test[rownames(nrDEG),]
## 可以看到logFC是相反的
plot(DEG_t.test[,3],nrDEG[,1]) 
# 可以看到使用limma包和t.test本身的p值差異尚可接受
plot(DEG_t.test[,4],nrDEG[,4]) 
plot(-log10(DEG_t.test[,4]),-log10(nrDEG[,4]))
image.png

image.png

image.png
# 找3個(gè)基因看一下
exprSet['GAPDH',]
exprSet['ACTB',]
exprSet['DLEU1',]

library(ggplot2)
library(ggpubr)
my_comparisons <- list(
  c("stable", "progres.")
)
dat=data.frame(group=group_list,
               sampleID= names(exprSet['DLEU1',]),
               values= as.numeric(exprSet['DLEU1',]))
ggboxplot(
  dat, x = "group", y = "values",
  color = "group",
  add = "jitter"
)+
  stat_compare_means(comparisons = my_comparisons, method = "t.test")
image.png
## heatmap 
library(pheatmap)
choose_gene=head(rownames(nrDEG),25)
choose_matrix=exprSet[choose_gene,]
choose_matrix=t(scale(t(choose_matrix)))
pheatmap(choose_matrix)
image.png

后面幾個(gè)題目會(huì)用函數(shù)就行，搞清楚根據(jù)不同的數(shù)據(jù)如何修改。

參考來源：生信技能樹

友情鏈接：

課程分享
生信技能樹全球公益巡講
（https://mp.weixin.qq.com/s/E9ykuIbc-2Ja9HOY0bn_6g）
B站公益74小時(shí)生信工程師教學(xué)視頻合輯
（https://mp.weixin.qq.com/s/IyFK7l_WBAiUgqQi8O7Hxw）
招學(xué)徒：
（https://mp.weixin.qq.com/s/KgbilzXnFjbKKunuw7NVfw）

歡迎關(guān)注公眾號：青島生信菜鳥團(tuán)

最后編輯于 ：
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
【社區(qū)內(nèi)容提示】社區(qū)部分內(nèi)容疑似由AI輔助生成，瀏覽時(shí)請結(jié)合常識與多方信息審慎甄別。
平臺(tái)聲明：文章內(nèi)容（如有圖片或視頻亦包括在內(nèi)）由作者上傳并發(fā)布，文章內(nèi)容僅代表作者本人觀點(diǎn)，簡書系信息發(fā)布平臺(tái)，僅提供信息存儲(chǔ)服務(wù)。

友情鏈接更多精彩內(nèi)容