本篇文章为大家展示了limma中怎么实现两组间差异分析操作,内容简明扼要并且容易理解,绝对能使你眼前一亮,通过这篇文章的详细介绍希望你能有所收获。
读取基因在所有样本中的表达量文件,示例如下
gene_id ctrl-1 ctrl-2 ctrl-3 case-1 case-2 case-3 geneA 14 0 11 4 0 12 geneB 125 401 442 175 59 200
每一行为一个基因,每一列代表一个样本。读取数据的代码如下
# 读取表达量的表格
counts <- read.table(
"gene.counts.tsv",
header=T,
sep="\t",
row.names=1,
comment.char="",
check.names=F)
# 设置样本分组
group <- factor(rep(c("control", "case"), each = 3))
design <- model.matrix(~group)
# 构建edgeR中的对象
library(edgeR)
y <- DGEList(counts=count)
之所以采用edgeR来读取数据,是为了方便后续的预处理和归一化。
和edgeR中的预处理过程类似,根据CPM
表达量对基因进行过滤,代码如下
keep <- rowSums(cpm(y)>1) >= 2 y <- y[keep, , keep.lib.sizes=FALSE]
默认采用TMM
归一化算法,计算每个样本的 sizefactor, 代码如下
y <- calcNormFactors(y)
在进行差异分析前,需要对表达量进行转换,有以下两种选择
logCPM
voom
第一种转换就是计算logCPM
值,第二种转换适用于样本间sizaFactors差异较大的情况。转换的代码如下
# logCPM
logCPM <- cpm(dge, log=TRUE, prior.count=3)
# voom
v <- voom(dge, design, plot=TRUE)
转换之后的表达量就可以进行差异分析了,代码如下
fit <- lmFit(logCPM, design) fit <- eBayes(fit, trend=TRUE) res<- topTable(fit, coef=ncol(design))
上述内容就是limma中怎么实现两组间差异分析操作,你们学到知识或技能了吗?如果还想学到更多技能或者丰富自己的知识储备,欢迎关注亿速云行业资讯频道。
免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。