前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >TNBC数据分析-GSE27447-GPL6244

TNBC数据分析-GSE27447-GPL6244

作者头像
生信技能树
发布2021-08-25 17:17:22
2.4K0
发布2021-08-25 17:17:22
举报
文章被收录于专栏:生信技能树

五月份的学徒专注于GEO数据库里面的表达量芯片数据处理,主要的难点是表达量矩阵获取和探针的基因名字转换,合理的分组后就是标准的差异分析,富集分析。主要是参考我八年前的笔记:

下面是sophie的投稿

数据集介绍

  • GEO链接:https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE27447
  • 芯片平台:GPL6244 [HuGene-1_0-st] Affymetrix Human Gene 1.0 ST Array [transcript (gene) version] 链接:https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GPL6244

样品共19个,14 TNBC and 5 non-TNBC ,如下:

代码语言:javascript
复制
GSM678364 non-triple negative breast cancer tumor B2
GSM678365 non-triple negative breast cancer tumor B4
GSM678366 non-triple negative breast cancer tumor B5
GSM678367 non-triple negative breast cancer tumor B8
GSM678368 non-triple negative breast cancer tumor B9
GSM678369 triple negative breast cancer tumor B12
GSM678370 non-triple negative breast cancer tumor B14
GSM678371 non-triple negative breast cancer tumor B17
GSM678372 non-triple negative breast cancer tumor B20
GSM678373 triple negative breast cancer tumor B23
...
  • 文章链接是:FZD7 has a critical role in cell proliferation in triple negative breast cancer. Oncogene 2011 Oct 27;30(43):4437-46. PMID: [21532620] (https://www.ncbi.nlm.nih.gov/pubmed/21532620)

核心步骤

1. R包加载
代码语言:javascript
复制
rm(list = ls())
library(AnnoProbe)
library(GEOquery)  
library(ggplot2) 
library(ggstatsplot) 
library(reshape2)
library(patchwork)
2. 获取并且检查表达量矩阵
  • 主要是判断表达矩阵是否需要log
代码语言:javascript
复制
gse_number <- 'GSE27447'
gpl_number = "GPL10558"
gset <- geoChina(gse_number)
a=gset[[1]] 
dat=exprs(a) 
dim(dat)

# 检查,判断需不需要取log
dat[1:4,1:4] 
dat = log2(dat)
dat[1:4,1:4] 
library(limma)
dat=normalizeBetweenArrays(dat)

# 画图,使用ggplot需宽数据变长数据
class(dat)
data <- as.data.frame(dat)
data <- melt(data)
head(data)
title <- paste (gse_number, "/", a@annotation, sep ="")
p1 <- ggplot(data,aes(x=variable,y=value))+
      geom_boxplot()+
      theme_ggstatsplot()+
      theme(panel.grid = element_blank(),
            axis.text=element_text(size=10,face = 'bold'),
            axis.text.x=element_text(angle=90),
            plot.title = element_text(hjust = 0.5,size =15))+
      xlab('')+
      ylab('')+
      ggtitle(title)
p1

可以看到,处理前后我们的表达量矩阵的表达量范围箱线图如下所示:

image-20210814120711030

根据生物学背景及研究目的人为分组
代码语言:javascript
复制
pd = pData(a)
dim(pd)
library(stringr)
group_list=ifelse(str_detect(pd$`disease state:ch1`,"non-triple"),"control","TNBC")
group_list = factor(group_list,
               levels = c("control","TNBC"))
table(group_list)
  • 为了演示方便,我们这里仅仅是区分"non-TNBC"和“TNBC”。 probe_id 和symbol的转换并对应至表达矩阵 获取芯片注释信息 代码如下:
代码语言:javascript
复制
library(stringr)
ids=idmap('GPL6244')
#超级好用的函数,首选,如果不行再尝试其他
dim(ids)

可以看到此芯片的探针与基因ID或者symbol的对应关系如下所示:

代码语言:javascript
复制
> head(ids)
           probe_id   symbol
586103 ILMN_1343291   EEF1A1
586104 ILMN_1343295    GAPDH
586105 ILMN_1651209 SLC35E2A
586106 ILMN_1651221   EFCAB1
586107 ILMN_1651228    RPS28
586108 ILMN_1651229    IPO13
探针基因ID对应以及去冗余

代码如下:

代码语言:javascript
复制
library(tidyr)
library(dplyr)
#接下来,使探针与基因symbol一一对应
ids=as.data.frame(ids)
table(rownames(dat) %in% ids$probe_id)
dat=dat[rownames(dat) %in% ids$probe_id,]
ids=ids[match(rownames(dat),ids$probe_id),]
ids$probe_id=as.character(ids$probe_id)
rownames(dat)=ids$probe_id
ids=ids[ids$probe_id %in%  rownames(dat),]
dat=dat[ids$probe_id,]

#下一步是:基因symbol去冗余-按照表达量最大值筛选
ids$median=apply(dat,1,median)
#ids新建median这一列,列名为median,同时对dat这个矩阵按行操作,取每一行的中位数,将结果给到median这一列的每一行
ids=ids[order(ids$symbol,ids$median,decreasing = T),] 
#对ids$symbol按照ids$median中位数从大到小排列的顺序排序,将对应的行赋值为一个新的ids
ids=ids[!duplicated(ids$symbol),]#将symbol这一列取取出重复项,'!'为否,即取出不重复的项,去除重复的gene ,保留每个基因最大表达量结果s
#获得去冗余之后的dat/exp
dat=dat[ids$probe_id,] #新的ids取出probe_id这一列,将dat按照取出的这一列中的每一行组成一个新的dat
#把ids的symbol这一列中的每一行给dat作为dat的行名
rownames(dat)=ids$symbol
dat[1:4,1:4]
table(group_list)
save(dat,pd,ids,group_list,gse_number,gpl_number,file = "step1-output.Rdata")

最后得到了表达量矩阵如下所示:

代码语言:javascript
复制
> dat[1:4,1:4]  #保留每个基因ID第一次出现的信息
       GSM678364 GSM678365 GSM678366 GSM678367
ZZZ3    8.662448  9.804468  9.144349  9.707848
ZZEF1   8.788682  9.189457  8.981535  8.599375
ZYX    10.648260 10.034978 10.622474 10.430494
ZYG11B  8.769574  8.913443  8.958082  8.715722

以及最简单的2分组,如下所示:

代码语言:javascript
复制
>table(group_list)
group_list
control    TNBC 
     14       5  

标准步骤之质控

得到标准的3张图,包括主成分分析,高变基因的表达量热图,样品相关性热图

代码如下:

代码语言:javascript
复制
## 下面是画PCA的必须操作,需要看说明书。
exp <- dat
exp=t(exp)#画PCA图时要求是行名时样本名,列名时探针名,因此此时需要转换
exp=as.data.frame(exp)#将matrix转换为data.frame 
library("FactoMineR")#画主成分分析图需要加载这两个包
library("factoextra") 
library(ggstatsplot)
dat.pca <- PCA(exp , graph = FALSE)#现在exp最后一列是group_list,需要重新赋值给一个dat.pca,这个矩阵是不含有分组信息的
dim(exp)
exp[,12488]
# 画图,主成分分析图p2
this_title <- paste0(gse_number,'_PCA')
p2 <- fviz_pca_ind(dat.pca,
                         geom.ind = "point", # show points only (nbut not "text")
                         col.ind = group_list, # color by groups
                         palette = "Dark2",
                         addEllipses = TRUE, # Concentration ellipses
                         legend.title = "Groups")+
                   ggtitle(this_title)+
                   theme_ggstatsplot()+
                   theme(plot.title = element_text(size=15,hjust = 0.5))

p2

# 下面是1000_sd热图
library(pheatmap)
cg=names(tail(sort(apply(dat,1,sd)),1000))#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1000个
n=t(scale(t(dat[cg,]))) 
n[n>2]=2 
n[n< -2]= -2
n[1:4,1:4]
ac=data.frame(Group=group_list)
rownames(ac)=colnames(n)
# 画图,高变基因的表达量热图p3
p3 <- pheatmap::pheatmap(n,
               show_colnames =F,
               show_rownames = F,
               main = gse_number,
               annotation_col=ac,
               breaks = seq(-3,3,length.out = 100))#因为已经手动设置了表达量最大值,所以,可以不用设置break
p3

# 画图,样品相关性热图p4
colD=data.frame(Group=group_list)
exprSet=t(exp)
rownames(colD)=colnames(exprSet)#问题-exprSet设置成转置后的exp
p4 <- pheatmap::pheatmap(cor(exprSet),#热图对样本-列 操作
                   annotation_col = colD,
                   show_rownames = F,
                   main = gse_number
                   )
p4

出图如下:

标准步骤之limma差异分析

代码如下:

代码语言:javascript
复制
library(limma)
design=model.matrix(~factor( group_list ))
fit=lmFit(dat,design)
fit=eBayes(fit)
options(digits = 4) #设置全局的数字有效位数为4
deg = topTable(fit,coef=2,adjust='BH', n=Inf) 
#结果检验
boxplot(dat[rownames(deg)[1],]~group_list)
deg[1,]
#核对无误

差异分析结果前10行如下所示:

代码语言:javascript
复制
> deg[1:10,]
         logFC AveExpr      t   P.Value adj.P.Val     B  symbol
NEK11   -1.650   6.932 -5.925 8.582e-06   0.07263 2.905   NEK11
EGR2     2.171   6.356  5.836 1.044e-05   0.07263 2.761    EGR2
HOXB3   -1.468   7.031 -5.790 1.157e-05   0.07263 2.685   HOXB3
ARFGEF3 -1.904   9.214 -5.546 1.995e-05   0.09393 2.281 ARFGEF3
NUDT16  -1.015   6.484 -5.427 2.609e-05   0.09828 2.080  NUDT16
CHRM3    2.228   5.439  5.233 4.045e-05   0.11969 1.749   CHRM3
C3orf14 -2.128   6.837 -5.192 4.448e-05   0.11969 1.677 C3orf14
ANKEF1  -1.333   7.065 -5.123 5.199e-05   0.12008 1.558  ANKEF1
TSPAN1  -4.524   7.740 -5.080 5.737e-05   0.12008 1.483  TSPAN1
GFRA3    4.226   3.723  4.940 7.916e-05   0.14912 1.237   GFRA3

有了差异分析就可以进行标准的可视化,包括火山图和上下调的差异基因热图

代码如下:

代码语言:javascript
复制
nrDEG=deg
head(nrDEG)
attach(nrDEG)
plot(logFC,-log10(P.Value))#简单画图看一下
df=nrDEG
df$v= -log10(P.Value) #df新增加一列'v',作为新的绘图参数,值为-log10(P.Value) 
#设定上下调基因
df$g=ifelse(df$P.Value>0.05,'stable', 
              ifelse( df$logFC >2,'up', 
                      ifelse( df$logFC < -2,'down','stable') )
)
#统计上下调基因数量
table(df$g)
#给绘制火山图用的数据新增一列symbol
df$name=rownames(df)
head(df)
logFC_t = 2
#设置可循环使用的plot标题
this_tile <- paste0('Cutoff for logFC is ',round(logFC_t,3),
                      '\nThe number of up gene is ',nrow(df[df$g == 'up',]) ,
                      '\nThe number of down gene is ',nrow(df[df$g == 'down',])
)
#画图,火山图p5
p5 <- ggplot(data = df, 
              aes(x = logFC, 
                  y = -log10(P.Value))) +
    geom_point(alpha=0.6, size=1.5, 
               aes(color=g)) +
    ylab("-log10(Pvalue)")+
    scale_color_manual(values=c("#34bfb5", "#828586","#ff6633"))+
    geom_vline(xintercept= 0,lty=4,col="grey",lwd=0.8) +
    xlim(-3, 3)+
    theme_classic()+
    ggtitle(this_tile )+
    theme(plot.title = element_text(size=12,hjust = 0.5),
          legend.title = element_blank(),
          )
p5

#热图
library(pheatmap)
x=deg$logFC 
names(x)=rownames(deg) 
cg=c(names(head(sort(x),100)),
       names(tail(sort(x),100)))#对x进行从小到大排列,取前100及后100,并取其对应的探针名,作为向量赋值给cg
n=t(scale(t(dat[cg,])))
n[n>2]=2
n[n< -2]= -2
n[1:4,1:4]
pheatmap(n,show_colnames =F,show_rownames = F)
ac=data.frame(group=group_list)
rownames(ac)=colnames(n) 
# 画图,上下调的差异基因热图p6
p6 <- pheatmap(n,show_colnames =F,
           show_rownames = F,
           cluster_cols = T, 
           main = gse_number,
           annotation_col=ac) 
p6

出图如下:

标准步骤之生物学功能数据库注释

我们这里不根据任何武断的阈值来区分统计学显著的上下调基因,而是直接根据基因的变化情况排序进行gsea分析,而且仅仅是展示kegg这个生物学功能数据库的注释情况!

symbol 和 ENTREZID转换

gsea分析需要基因的ENTREZID,根据物种进行转换

代码语言:javascript
复制
# 加ENTREZID列,用于富集分析(symbol转entrezid,然后inner_join)
deg$symbol=rownames(deg)
library(org.Hs.eg.db)
library(clusterProfiler)
s2e <- bitr(deg$symbol, 
            fromType = "SYMBOL",
            toType = "ENTREZID",
            OrgDb = org.Hs.eg.db)#人
#bitr()用于SYMBOL转ENTREZID
#其他物种http://bioconductor.org/packages/release/BiocViews.html#___OrgDb
dim(deg)
dim(s2e)
setdiff(deg$symbol,s2e$SYMBOL)
DEG <- inner_join(deg,s2e,by=c("symbol"="SYMBOL"))
gsea富集
代码语言:javascript
复制
library(dplyr)
library(ggplot2)  
geneList=DEG$logFC
names(geneList)=DEG$ENTREZID
geneList=sort(geneList,decreasing = T)
head(geneList)
library(clusterProfiler)
kk_gse <- gseKEGG(geneList     = geneList,
                  organism     = 'hsa',#按需替换
                  #nPerm        = 1000,
                  minGSSize    = 10,
                  pvalueCutoff = 0.9,
                  verbose      = FALSE)
tmp=kk_gse@result
dim(tmp)
kk=DOSE::setReadable(kk_gse, OrgDb='org.Hs.eg.db',keyType='ENTREZID')#按需替换
#DOSE::setReadable():mapping geneID to gene Symbol
tmp=kk@result
dim(tmp)
pro='comp1'
write.csv(kk@result,paste0(pro,'_kegg.gsea.csv'))
save(kk,file = 'gsea_kk.Rdata')
富集可视化

上面的kk这个变量就存储了kegg这个生物学功能数据库的gsea分析结果,我们进行简单可视化,代码如下:

代码语言:javascript
复制
# 展现前6个上调通路和6个下调通路
down_k <- kk_gse[tail(order(kk_gse$enrichmentScore,decreasing = F)),];down_k$group=-1
up_k <- kk_gse[head(order(kk_gse$enrichmentScore,decreasing = F)),];up_k$group=1

dat=rbind(up_k,down_k)
colnames(dat)
dat$pvalue = -log10(dat$pvalue)
dat$pvalue=dat$pvalue*dat$group 
dat=dat[order(dat$pvalue,decreasing = F),]
# gsea分析结果p7
p7<- ggplot(dat, aes(x=reorder(Description,order(pvalue, decreasing = F)), y=pvalue, fill=group)) + 
  geom_bar(stat="identity") + 
  scale_fill_gradient(low="#34bfb5",high="#ff6633",guide = FALSE) + 
  scale_x_discrete(name ="Pathway names") +
  scale_y_continuous(name ="log10P-value") +
  coord_flip() + 
  theme_ggstatsplot()+
  theme(plot.title = element_text(size = 15,hjust = 0.5),  
        axis.text = element_text(size = 12,face = 'bold'),
        panel.grid = element_blank())+
  ggtitle("Pathway Enrichment") 
p7
#具体看上面条形图里面的每个通路的gsea分布情况p8
library(enrichplot)
p8 <- gseaplot2(kk, geneSetID = rownames(down_k))+
      gseaplot2(kk, geneSetID = rownames(up_k))
p8

出图如下:

如果你也有类似的数据分析需求,却苦于不会写代码,可以考虑找我们的工程师帮忙哦!

转录组产品线

公共数据库产品线

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2021-08-19,如有侵权请联系 cloudcommunity@tencent.com 删除

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 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 数据集介绍
  • 核心步骤
    • 1. R包加载
      • 2. 获取并且检查表达量矩阵
        • 根据生物学背景及研究目的人为分组
          • 探针基因ID对应以及去冗余
          • 标准步骤之质控
          • 标准步骤之limma差异分析
          • 标准步骤之生物学功能数据库注释
            • symbol 和 ENTREZID转换
              • gsea富集
                • 富集可视化
                • 如果你也有类似的数据分析需求,却苦于不会写代码,可以考虑找我们的工程师帮忙哦!
                • 转录组产品线
                • 公共数据库产品线
                相关产品与服务
                数据库
                云数据库为企业提供了完善的关系型数据库、非关系型数据库、分析型数据库和数据库生态工具。您可以通过产品选择和组合搭建,轻松实现高可靠、高可用性、高性能等数据库需求。云数据库服务也可大幅减少您的运维工作量,更专注于业务发展,让企业一站式享受数据上云及分布式架构的技术红利!
                领券
                问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档