美文网首页RNA-seq分析完整流程RNASeq 数据分析RNA-seq
RNA-seq(7): DEseq2筛选差异表达基因并注释(bi

RNA-seq(7): DEseq2筛选差异表达基因并注释(bi

作者: Y大宽 | 来源:发表于2018-08-02 22:13 被阅读38次

    序

    • 走到这一步，似乎顺畅了许多，最主要时间不用花费那么多了。另外，以前曾经处理过不计其数的芯片，挑选差异表达基因，筛选关键基因，功能富集，还有基于全部数据的WGCNA(当然你也可以用差异基因来做，虽然不推荐，看不少文章也这么发），GSEA，PPI等等，这些后续我会慢慢发出来。
    • 但是，因为以前处理的芯片表达谱数据是符合正态分布，所以可以用t检验来筛选差异表达基因，但RNA-seq的read count普遍认为符合泊松分布。所以筛选DEGs的方法还是不一样
    ------------要求---------------
    • 载入表达矩阵
    • 设置好分组信息
    • 用DEseq2进行差异分析
    • 输出差异分析结果
      来源于生信技能树
    -------------------------参考文章-----------------------------------

    -------------------开始------------------------

    • 正式载入数据之前，先看一下数据结构data structure，因为这是我们下面一切分析的起点。
    • 我们需要准备2个table：一个是countData，一个是colData
    two kinds of data.png

    关于上面两个表的说明

    • countData表示的是count矩阵，行代表gene，列代表样品，中间的数字代表对应count数。colData表示sample的元数据，因为这个表提供了sample的元数据。
      because this table supplies metadata/information about the columns of the countData matrix. Notice that the first column of colData must match the column names of countData (except the first, which is the gene ID column).
    • colData的行名与countData的列名一致（除去代表gene ID的第一列）

    1 载入数据（countData和colData）

    > library(tidyverse)
> library(DESeq2)
> #import data
> setwd("F:/rna_seq/data/matrix")
> mycounts<-read.csv("readcount.csv")
> head(mycounts)
                   X control1 control2 treat1 treat2
1 ENSMUSG00000000001     1648     2306   2941   2780
2 ENSMUSG00000000003        0        0      0      0
3 ENSMUSG00000000028      835      950   1366   1051
4 ENSMUSG00000000031       65       83     52     53
5 ENSMUSG00000000037       70       53     94     66
6 ENSMUSG00000000049        0        3      4      5
#这里有个x，需要去除，先把第一列当作行名来处理
> rownames(mycounts)<-mycounts[,1]
#把带X的列删除
> mycounts<-mycounts[,-1]
> head(mycounts)
                   control1 control2 treat1 treat2
ENSMUSG00000000001     1648     2306   2941   2780
ENSMUSG00000000003        0        0      0      0
ENSMUSG00000000028      835      950   1366   1051
ENSMUSG00000000031       65       83     52     53
ENSMUSG00000000037       70       53     94     66
ENSMUSG00000000049        0        3      4      5
# 这一步很关键，要明白condition这里是因子，不是样本名称；小鼠数据有对照组和处理组，各两个重复
> condition <- factor(c(rep("control",2),rep("treat",2)), levels = c("control","treat"))
> condition
[1] control control treat   treat  
Levels: control treat
#colData也可以自己在excel做好另存为.csv格式，再导入即可
> colData <- data.frame(row.names=colnames(mycounts), condition)
> colData
         condition
control1   control
control2   control
treat1       treat
treat2       treat

    2构建dds对象,开始DESeq流程

    注释：dds=DESeqDataSet Object
    > dds <- DESeqDataSetFromMatrix(mycounts, colData, design= ~ condition)
> dds <- DESeq(dds)
> # 查看一下dds的内容
> dds

    显示为

    class: DESeqDataSet 
dim: 6 4 
metadata(1): version
assays(3): counts mu cooks
rownames(6): ENSMUSG00000000001 ENSMUSG00000000003 ... ENSMUSG00000000037 ENSMUSG00000000049
rowData names(21): baseMean baseVar ... deviance maxCooks
colnames(4): control1 control2 treat1 treat2
colData names(2): condition sizeFactor

    3 总体结果查看

    接下来，我们要查看treat versus control的总体结果，并根据p-value进行重新排序。利用summary命令统计显示一共多少个genes上调和下调（FDR0.1）

    > res = results(dds, contrast=c("condition", "control", "treat"))
#或下面命令
> res= results(dds)
> res = res[order(res$pvalue),]
> head(res)
> summary(res)
#所有结果先进行输出
> write.csv(res,file="All_results.csv")
> table(res$padj<0.05)
    上述代码的结果显示
    > res = results(dds2, contrast=c("condition", "control", "treat"))
> res = res[order(res$pvalue),]
> head(res)
log2 fold change (MLE): condition control vs treat 
Wald test p-value: condition control vs treat 
DataFrame with 6 rows and 6 columns
                    baseMean log2FoldChange     lfcSE      stat       pvalue         padj
                   <numeric>      <numeric> <numeric> <numeric>    <numeric>    <numeric>
ENSMUSG00000003309  548.1926       3.231611 0.2658125 12.157485 5.234568e-34 8.193146e-30
ENSMUSG00000046323  404.1894       3.067050 0.2628220 11.669687 1.820923e-31 1.425055e-27
ENSMUSG00000001123  341.8542       2.797485 0.2766499 10.112004 4.887441e-24 2.549941e-20
ENSMUSG00000023906  951.9460       2.382307 0.2510718  9.488551 2.342684e-21 9.116395e-18
ENSMUSG00000018569  485.4839       3.136031 0.3312999  9.465836 2.912214e-21 9.116395e-18
ENSMUSG00000000184  601.0842      -2.827750 0.3154171 -8.965112 3.099648e-19 8.085948e-16
> summary(res)

out of 28335 with nonzero total read count
adjusted p-value < 0.1
LFC > 0 (up)     : 445, 1.6% 
LFC < 0 (down)   : 625, 2.2% 
outliers [1]     : 0, 0% 
low counts [2]   : 12683, 45% 
(mean count < 18)
[1] see 'cooksCutoff' argument of ?results
[2] see 'independentFiltering' argument of ?results

> write.csv(res,file="All_results.csv")
> table(res$padj<0.05)

FALSE  TRUE 
14909   743
    可见，一共445个genes上调，625个genes下调，没有离群值。padj小于0.05的共有743个。

    4 提取差异表达genes（DEGs）并进行gene symbol注释

    差异表达基因的界定很不统一，但log2FC是用的最广泛同时也是最不精确的方式，但因为其好理解所以广泛被应用尤其芯片数据处理中，记的是havard universit做过一个统计，FC=2相对比较可靠。但无论怎么，这种界定人为因素太大，过于武断。所以GSEA，WGCNA是拿全部表达数据(可以进行初步过滤)来进行分析，并且WGCNA采取软阈值的方式来挑选genes更加合理。既然挑选差异表达基因，还是采取log2FC和padj来进行。

    获取padj（p值经过多重校验校正后的值）小于0.05，表达倍数取以2为对数后大于1或者小于-1的差异表达基因。代码如下
    > diff_gene_deseq2 <-subset(res, padj < 0.05 & abs(log2FoldChange) > 1)
#或
#> diff_gene_deseq2 <-subset(res,padj < 0.05 & (log2FoldChange > 1 | log2FoldChange < -1))
> dim(diff_gene_deseq2)
> head(diff_gene_deseq2)
> write.csv(diff_gene_deseq2,file= "DEG_treat_vs_control.csv")

    结果显示如下：

    > diff_gene_deseq2 <-subset(res, padj < 0.05 & abs(log2FoldChange) > 1)
> dim(diff_gene_deseq2)
[1] 431   6
> head(diff_gene_deseq2)
log2 fold change (MLE): condition control vs treat 
Wald test p-value: condition control vs treat 
DataFrame with 6 rows and 6 columns
                    baseMean log2FoldChange     lfcSE      stat       pvalue         padj
                   <numeric>      <numeric> <numeric> <numeric>    <numeric>    <numeric>
ENSMUSG00000003309  548.1926       3.231611 0.2658125 12.157485 5.234568e-34 8.193146e-30
ENSMUSG00000046323  404.1894       3.067050 0.2628220 11.669687 1.820923e-31 1.425055e-27
ENSMUSG00000001123  341.8542       2.797485 0.2766499 10.112004 4.887441e-24 2.549941e-20
ENSMUSG00000023906  951.9460       2.382307 0.2510718  9.488551 2.342684e-21 9.116395e-18
ENSMUSG00000018569  485.4839       3.136031 0.3312999  9.465836 2.912214e-21 9.116395e-18
ENSMUSG00000000184  601.0842      -2.827750 0.3154171 -8.965112 3.099648e-19 8.085948e-16

    5 用bioMart对差异表达基因进行注释

    和RNA-seq(6): reads计数，合并矩阵并进行注释代码一样
    library('biomaRt')
library("curl")
mart <- useDataset("mmusculus_gene_ensembl", useMart("ensembl"))
my_ensembl_gene_id<-row.names(diff_gene_deseq2)
#listAttributes(mart)
mms_symbols<- getBM(attributes=c('ensembl_gene_id','external_gene_name',"description"),
                    filters = 'ensembl_gene_id', values = my_ensembl_gene_id, mart = mart)
    结果如下：
    > library('biomaRt')
> library("curl")
> mart <- useDataset("mmusculus_gene_ensembl", useMart("ensembl"))
> my_ensembl_gene_id<-row.names(diff_gene_deseq2)
> mms_symbols<- getBM(attributes=c('ensembl_gene_id','external_gene_name',"description"),
+                     filters = 'ensembl_gene_id', values = my_ensembl_gene_id, mart = mart)
> head(mms_symbols)
     ensembl_gene_id external_gene_name                                                                                  description
1 ENSMUSG00000000120               Ngfr nerve growth factor receptor (TNFR superfamily, member 16) [Source:MGI Symbol;Acc:MGI:97323]
2 ENSMUSG00000000184              Ccnd2                                                  cyclin D2 [Source:MGI Symbol;Acc:MGI:88314]
3 ENSMUSG00000000276               Dgke                           diacylglycerol kinase, epsilon [Source:MGI Symbol;Acc:MGI:1889276]
4 ENSMUSG00000000308              Ckmt1               creatine kinase, mitochondrial 1, ubiquitous [Source:MGI Symbol;Acc:MGI:99441]
5 ENSMUSG00000000320             Alox12                               arachidonate 12-lipoxygenase [Source:MGI Symbol;Acc:MGI:87998]
6 ENSMUSG00000000708              Kat2b                           K(lysine) acetyltransferase 2B [Source:MGI Symbol;Acc:MGI:1343094]

    5合并数据:res结果+mms_symbols合并成一个文件

    合并的话两个数据必须有共同的列名，我们先看一下

    > head(diff_gene_deseq2)
log2 fold change (MLE): condition control vs treat 
Wald test p-value: condition control vs treat 
DataFrame with 6 rows and 6 columns
                    baseMean log2FoldChange     lfcSE      stat       pvalue         padj
                   <numeric>      <numeric> <numeric> <numeric>    <numeric>    <numeric>
ENSMUSG00000003309  548.1926       3.231611 0.2658125 12.157485 5.234568e-34 8.193146e-30
ENSMUSG00000046323  404.1894       3.067050 0.2628220 11.669687 1.820923e-31 1.425055e-27
ENSMUSG00000001123  341.8542       2.797485 0.2766499 10.112004 4.887441e-24 2.549941e-20
ENSMUSG00000023906  951.9460       2.382307 0.2510718  9.488551 2.342684e-21 9.116395e-18
ENSMUSG00000018569  485.4839       3.136031 0.3312999  9.465836 2.912214e-21 9.116395e-18
ENSMUSG00000000184  601.0842      -2.827750 0.3154171 -8.965112 3.099648e-19 8.085948e-16
> head(mms_symbols)
     ensembl_gene_id external_gene_name
1 ENSMUSG00000000120               Ngfr
2 ENSMUSG00000000184              Ccnd2
3 ENSMUSG00000000276               Dgke
4 ENSMUSG00000000308              Ckmt1
5 ENSMUSG00000000320             Alox12
6 ENSMUSG00000000708              Kat2b

    可见，两个文件没有共同的列名，所以要先给'diff_gene_deseq2'添加一个‘ensembl_gene_id’的列名，方法如下:(应该有更简便的方法)

    > ensembl_gene_id<-rownames(diff_gene_deseq2)
> diff_gene_deseq2<-cbind(ensembl_gene_id,diff_gene_deseq2)
> colnames(diff_gene_deseq2)[1]<-c("ensembl_gene_id")
> diff_name<-merge(diff_gene_deseq2,mms_symbols,by="ensembl_gene_id")
>head(diff_name)
#查看Akap8的情况
Akap8 <- diff_name[diff_name$external_gene_name=="Akap8",]
    中间显示过程如下：
    > ensembl_gene_id<-rownames(diff_gene_deseq2)
> diff_gene_deseq2<-cbind(ensembl_gene_id,diff_gene_deseq2)
> colnames(diff_gene_deseq2)[1]<-c("ensembl_gene_id")
> diff_name<-merge(diff_gene_deseq2,mms_symbols,by="ensembl_gene_id")
> head(diff_name)
DataFrame with 6 rows and 9 columns
     ensembl_gene_id   baseMean log2FoldChange     lfcSE      stat       pvalue         padj external_gene_name
         <character>  <numeric>      <numeric> <numeric> <numeric>    <numeric>    <numeric>        <character>
1 ENSMUSG00000000120  434.04177      -1.293648 0.2713146 -4.768072 1.859970e-06 2.064698e-04               Ngfr
2 ENSMUSG00000000184  601.08417      -2.827750 0.3154171 -8.965112 3.099648e-19 8.085948e-16              Ccnd2
3 ENSMUSG00000000276  668.12500      -1.071362 0.2445381 -4.381168 1.180446e-05 9.603578e-04               Dgke
4 ENSMUSG00000000308  207.46719       1.944949 0.3427531  5.674489 1.391035e-08 3.819733e-06              Ckmt1
5 ENSMUSG00000000320   61.96266       1.451927 0.4637101  3.131109 1.741473e-03 4.105051e-02             Alox12
6 ENSMUSG00000000708 1070.03203      -1.046546 0.2049062 -5.107440 3.265530e-07 5.056107e-05              Kat2b
                                                                                   description
                                                                                   <character>
1 nerve growth factor receptor (TNFR superfamily, member 16) [Source:MGI Symbol;Acc:MGI:97323]
2                                                  cyclin D2 [Source:MGI Symbol;Acc:MGI:88314]
3                           diacylglycerol kinase, epsilon [Source:MGI Symbol;Acc:MGI:1889276]
4               creatine kinase, mitochondrial 1, ubiquitous [Source:MGI Symbol;Acc:MGI:99441]
5                               arachidonate 12-lipoxygenase [Source:MGI Symbol;Acc:MGI:87998]
6                           K(lysine) acetyltransferase 2B [Source:MGI Symbol;Acc:MGI:1343094]
> Akap8 <- diff_name[diff_name$external_gene_name=="Akap8",]
> Akap8
DataFrame with 1 row and 9 columns
     ensembl_gene_id  baseMean log2FoldChange     lfcSE      stat       pvalue         padj external_gene_name
         <character> <numeric>      <numeric> <numeric> <numeric>    <numeric>    <numeric>        <character>
1 ENSMUSG00000024045  2281.053      -1.276329 0.2428315 -5.256028 1.471996e-07 2.775865e-05              Akap8
                                                           description
                                                           <character>
1 A kinase (PRKA) anchor protein 8 [Source:MGI Symbol;Acc:MGI:1928488]
    至此，差异表达基因提取并注释完毕，下一步
    • 先进行数据可视化(Data visulization)
    • 然后进行富集分分析及可视化

    后记：也可以用Y叔的ClusterProfiler进行基因名转换，很方便。

    相关文章

      网友评论

      • 谢俊飞:这一节中，部分赋值符号改为“=”，和“<-”是一样的吧？
        Y大宽:@coco_bioinf 看数据下载部分
        coco_bioinf:请问数据来源于哪里~想实战一下
        Y大宽:@谢俊飞 这俩不一样，但这里可以等同

      本文标题：RNA-seq(7): DEseq2筛选差异表达基因并注释(bi

      本文链接：https://www.haomeiwen.com/subject/ydssvftx.html

      延伸阅读

      深度阅读

      • 您也可以注册成为美文阅读网的作者，发表您的原创作品、分享您的心情！

      栏目导航

      热点阅读

      RNA-seq分析完整流程

      RNASeq 数据分析

      RNA-seq

      生物信息分析：从入门到精通

      转录组分析

      NGS

      走进转录组

      生信分析流程

      关于我们|服务条款|联系我们|RNA-seq(7): DEseq2筛选差异表达基因并注释(bi|投稿指南|网站地图|RSS订阅|排版工具|手机版

      提供经典美文摘抄,优美散文欣赏,现代诗歌精选,短篇小说,心情随笔,表白情书范文,故事会在线阅读欣赏

      Copyright © 2014-2023 Haomeiwen.com All Rights Reserved. 好美文阅读网 版权所有

      备案信息：桂公网安备 45052102000051号 · 桂ICP备13007215号-3

      本站所收录作品、热点评论等信息部分来源互联网，目的只是为了系统归纳学习和传递资讯

      所有作品版权归原创作者所有，与本站立场无关，如不慎侵犯了你的权益，请联系我们告知，我们将做删除处理！