本站分享:大数据、数据分析师考试认证培训,包括:Python培训Excel培训Matlab培训SPSS培训SAS培训R语言培训Hadoop培训Amos培训Stata培训Eviews培训广告位

R语言利用edgeR package进行基因差异表达分析 举例

r语言 cdadata 1501℃

R语言利用edgeR package进行基因差异表达分析 举例

关键词: edger 分析基因差异edger差异表达分析edger差异基因教程

实验数据:

同一组织,分为两组,control vs treat,每组7例sample。数据第一列为基因名,后14列为对应的count。
##bioconductor和edgeR包的安装
source(“http://bioconductor.org/biocLite.R”)
biocLite(“edgeR”)
library(“limma”)
library(“edgeR”)
##读取数据,方法随意
rawdata<-read.delim(“2.txt”,header=T)
head(rawdata) #检查读入是否正确
y<-DGEList(counts=rawdata[,2:15],genes=rawdata[,1])
##过滤与标准化
left<-rowSums(cpm(y)>1)>=4 #过滤标准为至少one count per million (cpm)
y<-y[left,]
y<-DGEList(counts=y$counts,genes=y$genes)
y<-calcNormFactors(y)#默认为TMM标准化
##检查样本的outlier and relationship
y<-plotMDS(y)
##设计design matrix
group<-factor(c(‘H’,’H’,’H’,’H’,’H’,’H’,’H’,’M’,’M’,’M’,’M’,’M’,’M’,’M’))
design <- model.matrix(~group)
y<-DGEList(counts=rawdata[,2:15],genes=rawdata[,1])
##推测dispersion(离散度)
y<-estimateGLMCommonDisp(y,design,verbose=TRUE)
y<-estimateGLMTrendedDisp(y, design)
y<-estimateGLMTagwiseDisp(y, design)
##差异表达基因,to perform quasi-likelihood F-tests:
fit <- glmQLFit(y,design)
qlf <- glmQLFTest(fit,coef=2)
topTags(qlf)#前10个差异表达基因
##or 差异表达基因,to perform likelihood ratio tests:
fit<-glmFit(y, design)
lrt<-glmLRT(fit)
topTags(lrt)#前10个差异表达基因
##火山图
summary(de<-decideTestsDGE(qlf))##qlf或可改为lrt
detags<-rownames(y)[as.logical(de)]
plotSmear(qlf, de.tags=detags)
abline(h=c(-4,4),col=’blue’) #蓝线为2倍差异表达基因,差异表达的数据在qlf中

转载请注明:数据分析 » R语言利用edgeR package进行基因差异表达分析 举例

喜欢 (1)or分享 (0)