DAY8 生信技能树-数据挖掘第三期学习笔记

Ruizheng 的学习笔记

感谢 生信技能树 小洁老师

长脚本管理方式

1. 分成多个脚本，每个脚本最后保存Rdata，下一个脚本开头清空再加载。
2. if(F){...}, 则{}里的脚本被跳过，if(T){...},则{}里的脚本被执行，凡是带有{}的代码，均可以被折叠

GEO来了

图表介绍

1. 热图：

• 输入数据是数值型矩阵/数据框
• 颜色的深浅表示数值的大小
• scale
  相关性热图
  差异基因热图

2. 散点图 / 箱线图：

箱线图

单个基因在两组之间的表达量差异

3. 火山图

• 多基因差异分析，展示 logFC 和 P.Value
• logFC：处理 / 对照表达量差异倍数的 log 值
• 通常说的上调、下调基因是指表达量显著上升 / 下降的基因，结合P值。
• P值越小，越有统计学差异，-log10(P.Value)越大
  火山图加标签

4. PCA图

• 主成分分析也称主分量分析，旨在利用降维的思想，把多指标转化为少数几个综合指标（即主成分）。
• 根据这些主成分对样本进行聚类，代表样本的点在坐标轴上距离越远，说明样本差异越大。

GEO背景知识+分析思路介绍

实验设计

实验目的：通过基因表达量数据的差异分析和富集分析来解释生物学现象

• 病变组织vs健康组织
• 药物处理vs对照组
• 开花前vs开花后
• 动物/动物不同发育期
• 高产/低产品种

三个缩写

• GSM：用户提交给GEO的样本数据。
• GSE：一个完整的研究，并提供了整个研究的描述，包括对数据的描述，总结分析。
• GPL：用户测序使用的芯片/平台

基因表达芯片：探针的表达量反应基因的表达量

表达矩阵

分析思路

1. 看文章找GSE编号，到GEO数据库搜索
2. 下载数据：包括表达矩阵和临床信息
3. 检查数据：分组之间是否有差异，PCA、热图（例如方差最大的前1000）
4. limma差异分析及可视化：P值，logFC，火山图，热图
5. 富集分析KEGG

R语言实现

下载用函数实现：GEOquery::getGEO

1. 将数据下载到本地
2. 以对象的形式读入R（eSet）

注意检查数据的完整性

• 从eSet中提取表达矩阵exp
• 从eSet中提取临床信息pd（数据框）
• 从eSet中提取gpl编号

limma包用于芯片差异分析

• 本质上只是R包和函数
• 准备好需要输入的数据、写对参数
• 帮助文档