本节概览：
1.DESeq2、 edgeR、limma的使用
2.三类差异分析软件的结果比较——相关性、韦恩图
3.选取差异基因绘制火山图和热图
承接前期文章：RNA-seq入门实战（四）：差异分析前的准备——数据检查
一、DESeq2、 edgeR、limma的使用
强烈建议查看官方说明书进行这三种差异分析的学习，链接在文章末尾给出。
注意，这三个包都需要输入counts进行分析，不能用tpm、fpkm等归一化后的数据。
正式分析前先进行目录设置、实验组和对照组的指定：
rm(list = ls())
options(stringsAsFactors = F)
setwd("C:/Users/Lenovo/Desktop/test")
load(file = '1.counts.Rdata')
dir.create("3.DEG")
setwd("3.DEG")
##设定 实验组exp / 对照组ctr
exp="primed"
ctr="naive"
1. DESeq2
DESeq2是目前最常用的差异分析R包。除了可以导入counts外，如果上游使用salmon，DESeq2官方还给出了直接导入tximport生成的txi对象的方法。counts与txi的获取见RNA-seq入门的简单实战（三）：从featureCounts与Salmon输出文件获取counts矩阵
library(DESeq2)
library("BiocParallel") #启用多核计算
##构建dds DESeqDataSet
if(T){
dds <- DESeqDataSetFromMatrix(countData = counts,
colData = gl,
design = ~ group_list)
}
if(F){ #若上游为salmon
dds <- DESeqDataSetFromTximport(txi,
colData = gl,
design = ~ group_list)
}
dds$group_list <- relevel(dds$group_list, ref = ctr) #指定 control group
keep <- rowSums(counts(dds)) >= 1.5*ncol(counts) #Pre-filtering ，过滤低表达基因
dds <- dds[keep,]
dds <- DESeq(dds,quiet = F,
parallel = T,
BPPARAM=MulticoreParam(0.5*detectCores())) #设置启用计算机一半的核进行计算
res <- results(dds,contrast=c("group_list", exp, ctr)) #指定提取为exp/ctr结果
resOrdered <- res[order(res$padj),] #order根据padj从小到大排序结果
tempDEG <- as.data.frame(resOrdered)
DEG_DEseq2 <- na.omit(tempDEG)
2. edgeR
使用EdgeR时注意选择合适的分析算法，官方建议bulk RNA-seq选择quasi-likelihood(QL) F-test tests，scRNA-seq 或是没有重复样品的数据选用 likelihood ratio test。
image.png
library(edgeR) #install.packages("statmod")
library(statmod)
#分组矩阵design构建
group <- factor(group_list)
group <- relevel(group,ctr) #将对照组的因子设置为1
design <- model.matrix(~0+group)
rownames(design) <- colnames(counts)
colnames(design) <- levels(group)
## 表达矩阵DGEList构建与过滤低表达基因
dge <- DGEList(counts=counts, group=group)
keep.exprs <- filterByExpr(dge) #自动筛选过滤低表达基因
dge <- dge[keep.exprs,,keep.lib.sizes=FALSE]
dge <- calcNormFactors(dge, method = 'TMM') #归一化因子用于 normalizes the library sizes
dge <- estimateDisp(dge, design, robust=T)
## To perform quasi-likelihood(QL) F-test tests: bulk RNA-seq
fit <- glmQLFit(dge, design, robust=T) #拟合模型
lt <- glmQLFTest(fit, contrast=c(-1,1)) #统计检验#注意比对顺序:实验-1 /对照1
## To perform likelihood ratio test： scRNA-seq and no replicates data
# fit <- glmFit(dge, design, robust=T)
# lt <- glmLRT(fit, contrast=c(-1,1)) #比对:顺序实验/对照，已设对照为1
tempDEG <- topTags(lt, n = Inf) #sort by PValue, n is the number of genes/tags to return
tempDEG <- as.data.frame(tempDEG)
DEG_edgeR <- tempDEG
3. limma
limma进行差异分析有两种方法 ：limma-trend和voom，在样本测序深度相差不大时两种方法差距不大，而测序深度相差大时voom更有优势，因此我们一般都选择voom的方法进行差异分析。Limma-voom vs limma-trend (bioconductor.org)
library(limma)
library(edgeR)
#分组矩阵design构建
design <- model.matrix(~0+factor(group_list)) #构建分组矩阵
colnames(design) <- levels(factor(group_list))
rownames(design) <- colnames(counts)
## 表达矩阵DGEList构建与过滤低表达基因
dge <- DGEList(counts=counts)
keep.exprs <- filterByExpr(dge,design=design) #过滤低表达基因
dge <- dge[keep.exprs,,keep.lib.sizes=FALSE]
dge <- calcNormFactors(dge) #归一化基因表达分布,得到的归一化系数被用作文库大小的缩放系数
cont.matrix <- makeContrasts(contrasts=paste0(exp,'-',ctr), #比对顺序实验/对照
levels = design)
## DE分析 limma-trend（logCPM,有相似文库大小） or voom（文库大小差异大）
# de <- cpm(dge, log=TRUE, prior.count=3) #如选择logCPM，则eBayes设trend=TRUE
de <- voom(dge,design,plot=TRUE, normalize="quantile")
fit1 <- lmFit(de, design) #线性拟合
fit2 <- contrasts.fit(fit1,cont.matrix) #统计检验
efit <- eBayes(fit2, trend=F) #Apply empirical Bayes smoothing to the standard errors
tempDEG <- topTable(efit, coef=paste0(exp,'-',ctr), n=Inf) #padj值从小到大排列
DEG_limma_voom <- na.omit(tempDEG)
4. 保存DEG数据
#### 保存DEG数据 ####
save(DEG_limma_voom,DEG_DEseq2,DEG_edgeR,
file ='test_DEG_results.Rdata')
#### 合并三种DEG文件交集至csv
allg <- intersect(rownames(DEG_limma_voom),rownames(DEG_edgeR))#取交集
allg <- intersect(allg,rownames(DEG_DEseq2))
ALL_DEG <- cbind(DEG_limma_voom[allg,c(1,4,5)],
DEG_edgeR[allg,c(1,4,5)],
DEG_DEseq2[allg,c(2,5,6)])
colnames(ALL_DEG)
colnames(ALL_DEG) <- c('limma_log2FC','limma_pvalue','limma_padj',
'edgeR_log2FC','edgeR_pvalue','edgeR_padj',
'DEseq2_log2FC','DEseq2_pvalue','DEseq2_padj')
write.csv(ALL_DEG,file = 'test_DEG_results.csv')
二、3种差异分析结果比较
由于本次样品两组间差异十分显著，差异基因很多，因此筛选阈值调整为：FoldChang=10，padj=0.001。一般情况下选择FoldChang=1.5~4，padj<=0.05即可，根据样本情况而定。
下面查看三种差异分析结果的相关性和差异基因的重叠情况。
#### 比较一下三种DEG方法结果 ####
load(list.files(pattern = 'DEG_results.Rdata'))
a <- read.csv(file = list.files(pattern = 'DEG_results.csv'),header = T,row.names = 1)
#查看相关性、一致性
colnames(a)
print(cor(a[,c(1,4,7)]))
#查看显著差异基因重叠性，绘制韦恩图
#BiocManager::install("RBGL") #安装依赖包
#install.packages("Vennerable", repos="http://R-Forge.R-project.org") #安装Vennerable包
library(Vennerable)
log2FC_cutoff=log2(10); p_cutoff=0.001 #筛选显著差异基因比较
if(T){#根据Padj筛选
DEseq2_deg <- rownames(DEG_DEseq2[with(DEG_DEseq2,abs(log2FoldChange)>log2FC_cutoff & padj<p_cutoff),])
edgeR_deg <- rownames(DEG_edgeR[with(DEG_edgeR,abs(logFC)>log2FC_cutoff & FDR<p_cutoff),])
limma_deg <- rownames(DEG_limma_voom[with(DEG_limma_voom,abs(logFC)>log2FC_cutoff & adj.P.Val<p_cutoff),])
}
mylist <- list(DEseq2=DEseq2_deg, edgeR=edgeR_deg, limma=limma_deg)
str(mylist)
Vennplot <- Venn(mylist)
Vennplot1 <- Vennplot[,c('DEseq2','edgeR')]
Vennplot2 <- Vennplot[,c('DEseq2','limma')]
Vennplot3 <- Vennplot[,c('limma','edgeR')]
pdf(file = paste0('3DEG_Vennplot_lg2FC',log2FC_cutoff,'.pdf'))
plot(Vennplot, doWeights = F)
plot(Vennplot, doWeights = T) #doWeights=T设置为按数量比例绘图
plot(Vennplot1, doWeights = T)
plot(Vennplot2, doWeights = T)
plot(Vennplot3, doWeights = T)
dev.off()
从以下图中可以看出，三种方法所得结果相关性很高，都在0.99以上，显著差异基因的重叠也很高。
image.png
image.png
image.png
三、选取差异基因绘制火山图和热图
以下示范选取DESeq2差异分析结果进行绘制, 筛选阈值设置为：FoldChang=10，padj=0.001
1. 火山图的绘制
library(ggplot2)
library(pheatmap)
##筛选条件设置
log2FC_cutoff = log2(10)
padj_cutoff = 0.001
##选取差异分析结果
need_DEG <- DEG_DEseq2[,c(2,6)] #选取log2FoldChange, padj信息
colnames(need_DEG) <- c('log2FoldChange','padj')
need_DEG$significance <- as.factor(ifelse(need_DEG$padj < padj_cutoff & abs(need_DEG$log2FoldChange) > log2FC_cutoff,
ifelse(need_DEG$log2FoldChange > log2FC_cutoff ,'UP','DOWN'),'NOT'))
title <- paste0(' Up : ',nrow(need_DEG[need_DEG$significance =='UP',]) ,
'\n Down : ',nrow(need_DEG[need_DEG$significance =='DOWN',]),
'\n FoldChange >= ',round(2^log2FC_cutoff,3))
g <- ggplot(data=need_DEG,
aes(x=log2FoldChange, y=-log10(padj),
color=significance)) +
#点和背景
geom_point(alpha=0.4, size=1) +
theme_classic()+ #无网格线
#坐标轴
xlab("log2 ( FoldChange )") +
ylab("-log10 ( P.adjust )") +
#标题文本
ggtitle( title ) +
#分区颜色
scale_colour_manual(values = c('blue','grey','red'))+
#辅助线
geom_vline(xintercept = c(-log2FC_cutoff,log2FC_cutoff),lty=4,col="grey",lwd=0.8) +
geom_hline(yintercept = -log10(padj_cutoff),lty=4,col="grey",lwd=0.8) +
#图例标题间距等设置
theme(plot.title = element_text(hjust = 0.5),
plot.margin=unit(c(2,2,2,2),'lines'), #上右下左
legend.title = element_blank(), #不显示图例标题
legend.position="right") #图例位置
ggsave(g,filename = 'volcano_padj.pdf',width =8,height =7.5)
image.png
2. 热图的绘制
##选择要展示基因表达量的数据
# dat <- log2(edgeR::cpm(counts)+1)
dat <- log2(tpm+1)
# dat <- read.table("../2.check/Deseq2_rld.txt"); colnames(dat) <- rownames(gl) #R读取数据列名可能会出错，需要重新对应一下
gene_up <- rownames(need_DEG[with(need_DEG,log2FoldChange>log2FC_cutoff & padj<padj_cutoff),])
gene_down <- rownames(need_DEG[with(need_DEG,log2FoldChange< -log2FC_cutoff & padj<padj_cutoff),])
cg <- c(head(gene_up, 50), #取前50 padj上下调基因名
head(gene_down, 50))
cg <- na.omit(match(cg,rownames(dat)))
pheatmap::pheatmap(dat[cg,],
show_colnames =T,
show_rownames = F,
#scale = "row",
fontsize = 7 ,
cluster_cols = T,
annotation_col=gl,
filename = 'heatmap_top50up&down_DEG.pdf')
image.png
到此就完成了基因差异分析的基本过程，得到了不同分组间的差异基因相关信息，接下来就要对差异基因进行富集分析啦
参考资料
三种R包的官方说明书：
Analyzing RNA-seq data with DESeq2 (bioconductor.org)
edgeR: differential analysis of sequence read count data User's Guide (bioconductor.org)
limma usersguide.pdf (bioconductor.org)
bioconductor的worlk flow：
使用limma、Glimma和edgeR，RNA-seq数据分析易如反掌 (bioconductor.org)
部分代码修改参考自：
GitHub - jmzeng1314/GEO
【生信技能树】转录组测序数据分析_哔哩哔哩_bilibili
【生信技能树】GEO数据库挖掘_哔哩哔哩_bilibili
RNA-seq实战系列文章：( 2022.5.21 更新)
RNA-seq入门实战（零）：RNA-seq流程前的准备——Linux与R的环境创建
RNA-seq入门实战（一）：上游数据下载、格式转化和质控清洗
RNA-seq入门实战（二）：上游数据的比对计数——Hisat2+ featureCounts 与 Salmon
RNA-seq入门实战（三）：从featureCounts与Salmon输出文件获取counts矩阵
RNA-seq入门实战（四）：差异分析前的准备——数据检查
RNA-seq入门实战（五）：差异分析——DESeq2 edgeR limma的使用与比较
RNA-seq入门实战（六）：GO、KEGG富集分析与enrichplot超全可视化攻略
RNA-seq入门实战（七）：GSEA——基因集富集分析
RNA-seq入门实战（八）：GSVA——基因集变异分析
未完待续......
网友评论