scRNAseq的data一般存在大量的零值，包括真实零值（即转录与否）以及技术上带来的dropout。已有的DEanalysis的R包不能区分零值的来源，R包DEsingle则是为了解决这一问题专门开发的R包，不仅可以区分DEgene种类，而且提高了准确率。
R包DEsingle主要是基于ZINB模型，比较在单细胞测序的raw read counts matrix中两组特定细胞间的差异基因表达分析。
input的数据format：单细胞测序得到的raw read counts的非负整数矩阵或者SingleCellExperiment对象（SCE对象,scatter包读取产生）
两个函数DEsingle（）、DEtype（），分别用于探索差异基因和对差异基因进行划分
>DEsingle(counts, group, parallel = FALSE, BPPARAM = bpparam())
counts：counts可以是单细胞测序得到的raw read counts的非负整数矩阵或者含有read counts矩阵的SingleCellExperiment对象，矩阵行名是基因，列名是样本或者细胞
group：group是表明分组的向量，对应counts矩阵的列名
parallel：无重复样本，默认FALSE；有生物重复是，parallel则为TRUE，采用BiocParallel，对应属性为BPPARAM
BPPARAM:当parallel默认FALSE时，BPPARAM= bpparam();当parallel=TRUE时，BPPARAM=bplapply
>DEtype(results, threshold)
results：DEsingle的结果
threshold：P值的阈值
Output
DEsingle输出的结果为dataframe，行名为基因，列名至少5项内容：
1.group1和group2的零膨胀负二项分布参数值： theta_1, theta_2, mu_1, mu_2, size_1, size_2, prob_1, prob_2
2.两组的mean read counts及foldchange值： total_mean_1, total_mean_2，foldchange
3.两组的标准化后的mean read counts及foldchange值： norm_total_mean_1, norm_total_mean_2， norm_foldChange
4.基于零假设的卡方值： chi2LR1； pvalue； pvalue_LR2； pvalue_LR3； 校正后P值： pvalue.adj.FDR；FDR_LR2；FDR_LR3
5.Remark：异常信息
DEtype的结果还多了两项：
Type：Types of DE genes.
DEs represents different expression status; 不同表达状态
是指该差异基因两组细胞间真实零值比例存在统计学上的差异
DEa represents differential expression abundance; 不同的表达丰度
是指该差异基因在两组细胞差异表达，但真实零值比例不存在统计学上地差异
DEg represents general differential expression. 包括上述两种情况
是指该差异基因不仅在两组差异表达，而且真实零值比例也存在统计学上的差异
State：DE genes上调？（up）下调？（down)
利用内置数据TestData练习
# 加载测试数据
data(TestData)
# Specifying the two groups to be compared分组
# The sample number in group 1 and group 2 is 50 and 100 respectively
group <- factor(c(rep(1,50), rep(2,100)))
# Detecting the differentially expressed genes 探索差异基因
results <- DEsingle(counts = counts, group = group)
# Dividing the differentially expressed genes into 3 categories 对差异基因分类
results.classified <- DEtype(results = results, threshold = 0.05)
results.DEs <- results.sig[results.sig$Type == "DEs", ]
results.DEa <- results.sig[results.sig$Type == "DEa", ]
results.DEg <- results.sig[results.sig$Type == "DEg", ]
Ref：Miao Z, Deng K, Wang X, Zhang X. (2016) DEsingle for detecting three types of differential expression in single-cell RNA-seq data.
网友评论