一、看看整体表达情况

原始矩阵为变量exprSet，是从txt文件读入得到的数据框
归一化后矩阵为变量exprSet_new，用DESeq2进行归一化后计算而来，是数值型矩阵。从下面class()命令可以看出两个变量属性不同。

class(exprSet) 
[1] "data.frame"
 class(exprSet_new) 
[1] "matrix" "array" 
exprSet<-as.matrix(exprSet) #把data.frame格式转唯matix格式
hist(exprSet)
hist(exprSet_new)

说明
hist() 用来做直方图（柱形图），如果是一列数据，就会画成从小到大那样的柱子。是一个矩阵，就把全部数据按照大小和频率列成柱形图。可以看出归一化后的数据看着更均匀。

image.png

image.png
看一下这两个矩阵的样子：（这两个矩阵都是把变量用write.csv给导出的。）

image.png

二、看看不同样本之间表达情况：

par(cex = 0.7) #指定符号的大小
par(mar=c(10, 5, 5, 5))
n.sample=ncol(exprSet) #样本数
if(n.sample>40) par(cex = 0.5)
n.sample=ncol(exprSet)#样本数
cols <- rainbow(n.sample*1.2)
boxplot(exprSet, col = cols,main="expression value",las=2)
boxplot(exprSet_new, col = cols,main="expression value",las=2)

说明
par函数cex参数是用来控制文字和点的大小。cex参数大了表明散点图里的点和各种文字部分的字体都大，比如上面命令中设定为0.7，在样本很多的时候要缩小些字体，所以有了>40，改为0.5这个命令行。
cex对所有的文字进行统一设置外，针对不同的标题，还有对应的cex系列参数的用法很多，比如调节主标题，副标题字体大小，调节坐标轴的字体大小等，可以看下面链接。
参考教程：https://www.bbsmax.com/A/A7zg1Erl54/
而par函数里的mar参数则是设定图形四周的留空大小。
参考教程：https://www.yht7.com/news/136868

image.png

两个图都是箱型图，可归一化以后的更好看些，在有些测序结果里看到过，主要是看各个样本表达水平有没有大的不同。如果某个样本比别人差太多，那就是有问题，还有可能是这个细胞有什么特殊处理。
原始数据那个图太丑了。。

三、查看单一基因在组间差异

plotCounts(dds2, "CD38", intgroup = "group_list") #把前面dds2中的nomalization之后的某个特定基因表达水平展示出来。

说明
plotCounts也是DESeq2包中的一个命令，dds是DESeqDataSet.， gene是一个特殊基因名称，intgroup:在colData(x)中，用于进行分组的名称。

image.png

如果有很多想看的基因，可以批量执行。

sigGene= read.csv('treat_vs_con_sig.csv',row.names=1) #读取文件
for(i in rownames(sigGene)){
genename=paste(i,sep="") #基因名
pdf(file=paste(i,'_counts.pdf',sep="")) #以pdf格式输出
plotCounts(dds2, genename, intgroup = "group_list")
dev.off() #不在Rstudio里输出，直接保存在当前工作路径下
}

很快就在工作目录下生成了这么多文件。

image.png

挑一个打开看看。这个数值是归一化后的counts值，找来表格里的数对照一下，还真没错。如果样本多一些，画的散点图应该挺好看的。

image.png

上面这个表里的数是log2之后的，所以原来的数据要用2^{(x)来计算一下。比如那个9.479736的，转成2}(9.479736)=713.9781。

三、PCA聚类

tiff(filename = "PCA.tiff", width = 1500, height = 1500, units = "px", res = 150)
plotPCA(rld, intgroup="group_list")
dev.off() #不在Rstudio里输出，直接保存在当前工作路径下这个PCA.tiff文件了

image.png