RNA-seq分析实战

在最最最开始！放上借鉴引用的文章链接!(后边还有)
RNA-seq分析：从软件安装到富集分析详细过程
RNA-seq实战
第二次RNA-seq实战总结(2)-数据下载并进行数据处理
感谢各位大佬！

一、软件安装准备

1.原始数据下载软件Aspera
2.解压文件SRA-toolkit
3.比对软件hisat2
4.基因表达量软件htseq-count
(这是一个Python包，需要在Python2的环境下下载）
5.数据质量评价软件fastqc
6.数据处理过滤软件trimmomatics
7.samtools

以上软件均可用conda进行下载，只不过所需要的Python环境不太一样

首先在conda搜索软件

$ conda install +软件名

ps.conda可以一次性指定两个软件进行下载
pps.除了htseq-count需要在Python2的环境下下载之外，其余软件均可以在Python3的环境下载

关于conda，具体可参考conda管理生信软件一文就够

二、数据下载和处理

我选择的原始数据来源于
https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE50177

选择后四个samples,SUZ12和对照Ctrl，两个重复

samples.PNG

点击SRA Run Selector

SRA_Run_Selector.PNG

我们需要的是红框里的四个数据

SRR.png

即需要的是SRR957677-SRR957680

1.下载sra数据

#我用prefetch来下载SRA文件，其实也可以用aspera connect来下载
#并且aspera connect更安全
#但是在下载过程中出现了一些问题，具体解决等我做完这次分析再去解决qaq
$ prefetch SRR957677 SRR957678 SRR957679 SRR957680

2.下载索引文件

下载hg19

$ mkdir reference & cd reference
$ cd reference
$ mkdir hg19

由于用wget下载很慢，显示要三天+
所以我再hisat2的官网复制下载链接在迅雷上下载的

hg19.PNG

将下载好的文件传到hg19的文件夹下,然后解压

$ wget http://hgdownload.soe.ucsc.edu/goldenPath/hg19/bigZips/chromFa.tar.gz & tar -zxvf chromFa.tar.gz
# # 将所有的染色体信息整合在一起，重定向写入hg19.fa文件，得到参考基因组
$ cat *.fa > hg19.fa
$ rm -rf chr*

ps:同样，这个我也是把文件下载下来再传输到我的Linux里的，因为文件也比较大。可以复制这个链接在浏览器打开，就会弹出下载框了；或者依然是在迅雷下载
pps:其实，解压了hg19之后，它自带了一个make_hg19.sh的文件，运行它来得到.fa文件也是可以的，不过还是那句话，wget下载速度太慢。。我还是先把chromFa.tar这个文件下载好了，再解压，再重定向

# 然后需要生成一个.fai的文件，需要用到samtools faidx
$ samtools faidx hg19.fa

下载基因组注释文件

$ wget ftp://ftp.ebi.ac.uk/pub/databases/gencode/Gencode_human/release_29/GRCh37_mapping/gencode.v29lift37.annotation.gtf.gz
$ mv gencode.v29lift37.annotation.gtf.gz hg19
$ unzip gencode.v29lift37.annotation.gtf.gz

三、转换成fastq文件，并进行质控以及过滤

1.fast-dump，转成fastq文件

$ mkdir fastq
$ fastq-dump --gzip --split-3 *.sra 
$ mv *.fastq.gz ~/Seqs/experiment_report/fastq

2.fastqc质控

$ mkdir fastqc
#进到fastq文件夹
#-o后面接输出文件夹
$ fastqc *.fastq.gz -o ~/Seqs/experiment_report/fastqc

可以查看生成的HTML文件，来看测序质量如何。
例如，SRR957677

fastqc_report.PNG

3.Trimmomatic过滤

#创建一个trim_out文件夹，存放过滤的文件
$ mkdir trim_out
#输出文件名字为SRR*****.fastq.clean.gz
$ java -jar ~/Biosoft/Trimmomatic-0.38/trimmomatic-0.38.jar SE -threads 2 -phred33 ~/Seqs/experimental_report/fastq/SRR957677.fastq.gz  ~/Seqs/experimental_report/trim_out/SRR957677.fastq.clean.gz ILLUMINACLIP:/home/akuooo/Biosoft/Trimmomatic-0.38/adapters/TruSeq2-PE.fa:2:30:10 SLIDINGWINDOW:5:20 LEADING:20 TRAILING:20

这个过滤之后的文件如下图

trim_out.PNG

其他三个文件同样如此，其实想设置一个for循环代码来处理，可能效率也更高。但是由于现在还是学术不精，还不太敢尝试，等我之后再多学一会再来试一试=-=

四、hisat2序列比对

for ((i=77;i<=80;i++));do hisat2 -t -x ./reference/hg19/genome -U ./trim_out/SRR9576${i}.fastq.clean.gz -S SRR9576${i}.sam ;done

这次参考了一下别人的代码，具体看第一篇引用的文章！

-x index : 参考基因组
双端测序：hisat2 -x hisat2_index -1 m1 -2 m2 -S name.sam
单端测序：hisat2 -x hisat2_index -U r1 -S name.sam
关于hisat2，可以看看RNA-Seq基因组比对工具HISAT2

ps:/hg19/genome的genome是个前缀！！不是文件名qaq我当时看的时候看错了，导致出现了无法用索引的情况

(((由于时间太久了……我终止了程序，准备明天早上再来搞……
大家如果准备比对的话，记得多留点时间……寝室断电了呜呜

-------------------------------------分割线--------------------------------------------
好的我继续了，由于昨天没弄完，今天只好重新开始qaq)))

9:02开始，看会持续多久（7点多起来弄，突然发现比对的文件用的不是过滤后的文件，哭了，又暂停了重新搞，大家一定一定要看清楚啊呜呜呜）
下面这个是运行的时候的代码，懒得截图了，上课前挂着等他比对，下课回来发现还有一个没有比对完……

Time loading forward index: 00:00:08
Time loading reference: 00:00:07
Multiseed full-index search: 01:15:04
20626594 reads; of these:
  20626594 (100.00%) were unpaired; of these:
    1244591 (6.03%) aligned 0 times
    16906012 (81.96%) aligned exactly 1 time
    2475991 (12.00%) aligned >1 times
93.97% overall alignment rate
Time searching: 01:15:26
Overall time: 01:15:34
Time loading forward index: 00:00:09
Time loading reference: 00:00:09
Multiseed full-index search: 00:32:49
8695598 reads; of these:
  8695598 (100.00%) were unpaired; of these:
    560868 (6.45%) aligned 0 times
    7151059 (82.24%) aligned exactly 1 time
    983671 (11.31%) aligned >1 times
93.55% overall alignment rate
Time searching: 00:33:11
Overall time: 00:33:20
Time loading forward index: 00:00:09
Time loading reference: 00:00:08
Multiseed full-index search: 01:04:44
19741163 reads; of these:
  19741163 (100.00%) were unpaired; of these:
    1303760 (6.60%) aligned 0 times
    15831001 (80.19%) aligned exactly 1 time
    2606402 (13.20%) aligned >1 times
93.40% overall alignment rate
Time searching: 01:05:06
Overall time: 01:05:15
Time loading forward index: 00:00:09
Time loading reference: 00:00:08
Multiseed full-index search: 01:04:44
19741163 reads; of these:
  19741163 (100.00%) were unpaired; of these:
    1303760 (6.60%) aligned 0 times
    15831001 (80.19%) aligned exactly 1 time
    2606402 (13.20%) aligned >1 times
93.40% overall alignment rate
Time searching: 01:05:06
Overall time: 01:05:15
Time loading forward index: 00:00:10
Time loading reference: 00:00:08
Multiseed full-index search: 01:37:13
24030038 reads; of these:
  24030038 (100.00%) were unpaired; of these:
    1407817 (5.86%) aligned 0 times
    19747330 (82.18%) aligned exactly 1 time
    2874891 (11.96%) aligned >1 times
94.14% overall alignment rate
Time searching: 01:37:34
Overall time: 01:37:44

可以看到，花了好久好久。。

五、htseq-count，reads计数

首先把Sam文件转成bam文件（这一步是参考了暴老师的RNAseq步骤）

$ mkdir bam
$ cd sam
# -@为设置线程数
$ for ((i=77;i<=80;i++));do samtools view -bt ./reference/hg19/hg19.fa.fai -@ 2 -o ../bam/SRR9576${i}.bam SRR9576${i}.sam 2>>samtools.log;done

然后对其进行排序(依旧参考暴老师)

#
$for ((i=77;i<=80;i++));do samtools sort -O bam -@ 2 -o SRR9576${i}.sort.bam -T tmp_samtools SRR9576${i}.bam 2>>samtools.log;done

这是我生成的文件

bam_sort.PNG

其实还可以建立索引，生成的文件可以用来进行IGV可视化，我暂时先不弄继续下一步。

#生成索引文件
for ((i=77;i<=80;i++));do samtools index SRR9576${i}.sort.bam;done

htseq-count，计算比对到每个基因的短序列数目

$ mkdir counts & cd counts
$ for ((i=77;i<=80;i++));do htseq-count -r name -f bam ../bam/SRR9576${i}.sort.bam ../reference/hg19/gencode.v26lift37.annotation.gtf > ./SRR9576${i}.count;done

做到这一步，我发现我电脑磁盘空间只剩十几G了，记得做之前看一下自己的内存……别做到一半发现没内存了就麻烦了……其实可以把之前得到的那些文件删一些的，像什么fastq啊等等，但是我怕出错没敢删。
这一步大概花了接近两个小时

对结果进行统计

$ wc -l *.count
  60497 SRR957677.count
  60497 SRR957678.count
  60497 SRR957679.count
  60497 SRR957680.count
 241988 total

查看一下前四行

$ head -n 4 *.count
==> SRR957677.count <==
ENSG00000000003.14_2    804
ENSG00000000005.5_2     0
ENSG00000000419.12_2    379
ENSG00000000457.13_2    281

==> SRR957678.count <==
ENSG00000000003.14_2    350
ENSG00000000005.5_2     0
ENSG00000000419.12_2    173
ENSG00000000457.13_2    107

==> SRR957679.count <==
ENSG00000000003.14_2    786
ENSG00000000005.5_2     0
ENSG00000000419.12_2    397
ENSG00000000457.13_2    217

==> SRR957680.count <==
ENSG00000000003.14_2    949
ENSG00000000005.5_2     1
ENSG00000000419.12_2    506
ENSG00000000457.13_2    275

第一列ensembl_gene_id,第二列read_count计数

后4行

$ tail -n 4 *.count
==> SRR957677.count <==
__ambiguous     271271
__too_low_aQual 0
__not_aligned   1244591
__alignment_not_unique  7515355

==> SRR957678.count <==
__ambiguous     109197
__too_low_aQual 0
__not_aligned   560868
__alignment_not_unique  2996683

==> SRR957679.count <==
__ambiguous     289659
__too_low_aQual 0
__not_aligned   1303760
__alignment_not_unique  7943707

==> SRR957680.count <==
__ambiguous     327210
__too_low_aQual 0
__not_aligned   1407817
__alignment_not_unique  8772501

合并表达矩阵并进行注释（需要进入R环境）
查看原始数据，77和78是control，79和80是实验组

从上面看出需要至少做两步工作才能更好理解和往下进行分析

第一，需要把4个文件合并；

第二，需要把ensembl_gene_id转换为gene_symbol;（这一步不进行也行，后面还需要）

所以，上一步得到的4个单独的矩阵文件，现在要把这4个文件合并为行为基因名，列为样本名，中间为count的矩阵文件。

熟悉python的朋友可以参考这篇文章

我用R中的merge命令来处理，参考这里和这里

（1）载入数据，添加列名

> options(stringsAsFactors = FALSE)
> control1<-read.table("SRR957677.count",sep = "\t",col.names = c("gene_id","control1"))
> head(control1)
               gene_id control1
1 ENSG00000000003.14_2      804
2  ENSG00000000005.5_2        0
3 ENSG00000000419.12_2      379
4 ENSG00000000457.13_2      281
5 ENSG00000000460.16_3      499
6 ENSG00000000938.12_2        0
> control2<-read.table("SRR957678.count",sep = "\t",col.names = c("gene_id","control2"))
> head(control2)
               gene_id control2
1 ENSG00000000003.14_2      350
2  ENSG00000000005.5_2        0
3 ENSG00000000419.12_2      173
4 ENSG00000000457.13_2      107
5 ENSG00000000460.16_3      207
6 ENSG00000000938.12_2        0
> treat1<-read.table("SRR957679.count",sep = "\t",col.names = c("gene_id","treat1"))
> treat2<-read.table("SRR957680.count",sep = "\t",col.names = c("gene_id","treat1"))

（2）数据整合

merge进行整合

gencode的注释文件中的gene_id（如ENSMUSG00000105298.13_3）在EBI是不能搜索到的，所以用gsub功能只保留ENSMUSG00000105298这部分

处理签看一下最后五行

> tail(control1)
                     gene_id control1
60492    ENSG00000284600.1_1        0
60493           __no_feature  9022391
60494            __ambiguous   271271
60495        __too_low_aQual        0
60496          __not_aligned  1244591
60497 __alignment_not_unique  7515355

进行整合

> raw_count <- merge(merge(control1, control2, by="gene_id"), merge(treat1, treat2, by="gene_id"))
> head(raw_count)
                 gene_id control1 control2 treat1.x treat1.y
1 __alignment_not_unique  7515355  2996683  7943707  8772501
2            __ambiguous   271271   109197   289659   327210
3           __no_feature  9022391  3814709  8176659 10345267
4          __not_aligned  1244591   560868  1303760  1407817
5        __too_low_aQual        0        0        0        0
6   ENSG00000000003.14_2      804      350      786      949
> tail(raw_count)
                  gene_id control1 control2 treat1.x treat1.y
60492 ENSG00000284554.1_1        0        0        0        0
60493 ENSG00000284558.1_1        0        0        0        0
60494 ENSG00000284572.1_1        0        0        0        0
60495 ENSG00000284591.1_1        0        0        0        0
60496 ENSG00000284592.1_1        0        0        0        0
60497 ENSG00000284600.1_1        0        0        0        0
# 删除前五行，注意一下顺序。
> raw_count_filt <- raw_count[-1:-5,]
# 因为在EBI数据库中没办法找带小数点的基因，所以要替换成整数形式
# 第一步将匹配到的以及后面的数字连续匹配并替换为空，并赋值给ENSEMBL
> ENSEMBL <- gsub("\\.\\d*", "", raw_count_filt$gene_id)
> # 将ENSEMBL重新添加到raw_count_filt1矩阵
> row.names(raw_count_filt) <- ENSEMBL
> raw_count_filt <- cbind(ENSEMBL,raw_count_filt)
> colnames(raw_count_filt)[1] <- c("ensembl_gene_id") 
> head(raw_count_filt)

（3）基因注释，获取gene_symbol

第一：去这里或这里的网页版，输入列表即可输出，不再赘述
第二：用bioMart对ensembl_id转换成gene_symbol

关于BiomaRt的安装，可以参考biomaRt包的安装

由于我输入install.packages("biomaRt")也同样出现错误，所以我按照上面的方法下载

# 先查看是否已安装openssl 若没安装则先进行安装
$ sudo apt-get install openssl
#安装这个的时候还蛮慢的
$ sudo apt-get install libssl-dev
# 安装这个的时候出现了问题（链接文章里，这个gnutls写错了！qaq）
$ sudo apt-get install libcurl4-gnutls-dev

然后我就在R里面，安装httr出现了问题

}httr}9IYY.png

然后，关于解决这个问题的方法，单独发了一篇，R中安装httr出现的问题
感谢大佬带我，还有一个重新设置的问题，等我明天再发一篇叭。

$ R
>BiocManager::install("httr")
>BiocManager::install("XML")
>BiocManager::install("biomaRt")
#顺带一起把DESeq2安装了
>BiocManager::install('DESeq2')

十一点半了，我决定睡觉了。
明天继续

-------------------------------------分割线--------------------------------------------
下课回来了，我又来啦嘻嘻

#首先进入R环境
$ R
#载入BiomaRt和curl
> library('biomaRt')
> library(curl)
#因为还没学过R，所以只能照搬别人的代码了…（我学，我一定学！）
> mart <- useDataset("hsapiens_gene_ensembl", useMart("ensembl"))
> my_ensembl_gene_id <- row.names(raw_count_filt)
> options(timeout = 4000000)
> hg_symbols<- getBM(attributes=c('ensembl_gene_id','hgnc_symbol',"chromosome_name", "start_position","end_position", "band"), filters= 'ensembl_gene_id', values = my_ensembl_gene_id, mart = mart)

加载完了之后,看一下

> head(hg_symbols)
  ensembl_gene_id hgnc_symbol chromosome_name start_position end_position
1 ENSG00000003056        M6PR              12        8940361      8949761
2 ENSG00000081842      PCDHA6               5      140827958    141012347
3 ENSG00000105808       RASA4               7      102573807    102616757
4 ENSG00000116017      ARID3A              19         925781       975939
5 ENSG00000120235       IFNA6               9       21349835     21351378
6 ENSG00000123584      MAGEA9               X      149781930    149787737
    band
1 p13.31
2  q31.3
3  q22.1
4  p13.3
5  p21.3
6    q28

将合并后的表达数据框raw_count_filt和注释得到的hg_symbols整合为一：

> readcount <- merge(raw_count_filt, hg_symbols, by="ensembl_gene_id")
> head(readcount)
  ensembl_gene_id            gene_id control1 control2 treat1.x treat1.y
1 ENSG00000003056  ENSG00000003056.3      662      280      591      732
2 ENSG00000081842 ENSG00000081842.13        0        0        0        0
3 ENSG00000105808 ENSG00000105808.13        0        0        4        2
4 ENSG00000116017  ENSG00000116017.6      276      108      270      336
5 ENSG00000120235  ENSG00000120235.3        0        0        0        0
6 ENSG00000123584  ENSG00000123584.7        0        0        0        0
  hgnc_symbol chromosome_name start_position end_position   band
1        M6PR              12        8940361      8949761 p13.31
2      PCDHA6               5      140827958    141012347  q31.3
3       RASA4               7      102573807    102616757  q22.1
4      ARID3A              19         925781       975939  p13.3
5       IFNA6               9       21349835     21351378  p21.3
6      MAGEA9               X      149781930    149787737    q28

输出count矩阵文件

> write.csv(readcount, file='readcount_all,csv')
> readcount<-raw_count_filt[ ,-1:-2]
> write.csv(readcount, file='readcount.csv')
> head(readcount)
                  control1 control2 treat1.x treat1.y
ENSG00000000003_2      804      350      786      949
ENSG00000000005_2        0        0        0        1
ENSG00000000419_2      379      173      397      506
ENSG00000000457_2      281      107      217      275
ENSG00000000460_3      499      207      440      538
ENSG00000000938_2        0        0        0        0

因为我主要参考的文章里有一处有点不一样，所以我主要参考的是
RNA-seq实战(中)_合并矩阵及DEseq2筛选差异并注释

备注：
因为我这里用到的是人样本测序数据，而教程里面都是小鼠，所以部分略有不同。 mart <- useDataset 用的是"hsapiens_gene_ensembl"
我这里的注释后，gene_id没有小数，所以ENSEMBL <- gsub("\.\d*", "", raw_count_filt$gene_id) 可操作可不操作，但是为了遵循流程，我还是按照教程一步步来。但是后面发现，合并时候出了很大问题，所以在前面操作中，我将第一列提取出来的ENSEMBL当做行名同时，还将其与数据合并cbind，并命名为enseble_gene_id,后面合并也是以这一列为准。否则，后面报错。

六、DESeq2筛选差异表达基因

1、载入数据（countData和colData）

> mycounts <- read.csv("readcount.csv")
> head(mycounts)
                  X control1 control2 treat1.x treat1.y
1 ENSG00000000003_2      804      350      786      949
2 ENSG00000000005_2        0        0        0        1
3 ENSG00000000419_2      379      173      397      506
4 ENSG00000000457_2      281      107      217      275
5 ENSG00000000460_3      499      207      440      538
6 ENSG00000000938_2        0        0        0        0
#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.x treat1.y
ENSG00000000003_2      804      350      786      949
ENSG00000000005_2        0        0        0        1
ENSG00000000419_2      379      173      397      506
ENSG00000000457_2      281      107      217      275
ENSG00000000460_3      499      207      440      538
ENSG00000000938_2        0        0        0        0
 # 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.x     treat
treat1.y     treat

2、构建dds对象

> library("DESeq2")
> dds <- DESeqDataSetFromMatrix(mycounts, colData, design= ~ condition)
> dds <- DESeq(dds)
estimating size factors
estimating dispersions
gene-wise dispersion estimates
mean-dispersion relationship
final dispersion estimates
fitting model and testing
 # 查看一下dds的内容
> dds
class: DESeqDataSet
dim: 60492 4
metadata(1): version
assays(4): counts mu H cooks
rownames(60492): ENSG00000000003_2 ENSG00000000005_2 ...
  ENSG00000284592_1 ENSG00000284600_1
rowData names(22): baseMean baseVar ... deviance maxCooks
colnames(4): control1 control2 treat1.x treat1.y
colData names(2): condition sizeFactor

3、总体结果查看

> res = results(dds, 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
                                           
ENSG00000178691_2 525.694712971668  2.89353494910036 0.236838344980599
ENSG00000135535_3 1179.93018699244  1.24009500894173 0.195787854442592
ENSG00000196504_3 1775.80082364858  1.12403000897508 0.201799837601116
ENSG00000141425_3 1300.90395042466 0.982783504147517 0.177217001121972
ENSG00000173905_2 545.305137710443   1.1832285473799 0.224038946461061
ENSG00000164172_3 254.782738750752  1.27726120796257 0.242907296366802
                              stat               pvalue                 padj
                                                 
ENSG00000178691_2 12.2173415345281 2.51164382359062e-34 2.16729745537635e-30
ENSG00000135535_3 6.33387097719766 2.39085467776778e-10 1.03153425072291e-06
ENSG00000196504_3 5.57002434856701 2.54703738492863e-08 6.31780309719697e-05
ENSG00000141425_3  5.5456502362948 2.92863743061628e-08 6.31780309719697e-05
ENSG00000173905_2 5.28135204200112  1.2823401858785e-07 0.000198215794614375
ENSG00000164172_3 5.25822495687344 1.45452524998957e-07 0.000198215794614375
> summary(res)

out of 30482 with nonzero total read count
adjusted p-value < 0.1
LFC > 0 (up)       : 40, 0.13%
LFC < 0 (down)     : 7, 0.023%
outliers [1]       : 0, 0%
low counts [2]     : 21853, 72%
(mean count < 124)
[1] see 'cooksCutoff' argument of ?results
[2] see 'independentFiltering' argument of ?results
#所有结果先进行输出
> write.csv(res,file="All_results.csv")
> table(res$padj<0.05)

FALSE  TRUE
 8597    32
注释：dds=DESeqDataSet Object

summary(res)，一共40个genes上调，7个genes下调，没有离群值。padj小于0.05的共有32个。

4、提取差异表达genes（DEGs）

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)
> dim(diff_gene_deseq2)
[1] 15  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
                                          
ENSG00000178691_2 525.694712971668 2.89353494910036 0.236838344980599
ENSG00000135535_3 1179.93018699244 1.24009500894173 0.195787854442592
ENSG00000196504_3 1775.80082364858 1.12403000897508 0.201799837601116
ENSG00000173905_2 545.305137710443  1.1832285473799 0.224038946461061
ENSG00000164172_3 254.782738750752 1.27726120796257 0.242907296366802
ENSG00000172239_3 235.672693658546 1.33513402183508 0.254808834148659
                              stat               pvalue                 padj
                                                 
ENSG00000178691_2 12.2173415345281 2.51164382359062e-34 2.16729745537635e-30
ENSG00000135535_3 6.33387097719766 2.39085467776778e-10 1.03153425072291e-06
ENSG00000196504_3 5.57002434856701 2.54703738492863e-08 6.31780309719697e-05
ENSG00000173905_2 5.28135204200112  1.2823401858785e-07 0.000198215794614375
ENSG00000164172_3 5.25822495687344 1.45452524998957e-07 0.000198215794614375
ENSG00000172239_3 5.23974777521311 1.60796217673036e-07 0.000198215794614375
> write.csv(diff_gene_deseq2,file= "DEG_treat_vs_control.csv")

5、用BiomaRt对表达基因进行注释

> mart <- useDataset("hsapiens_gene_ensembl", useMart("ensembl"))
> my_ensembl_gene_id<-row.names(diff_gene_deseq2)
> hg_symbols<- getBM(attributes=c('ensembl_gene_id','external_gene_name',"description"),
+  filters = 'ensembl_gene_id', values = my_ensembl_gene_id, mart = mart)
> head(hg_symbols)
  ensembl_gene_id external_gene_name
1 ENSG00000128512              DOCK4
                                                     description
1 dedicator of cytokinesis 4 [Source:HGNC Symbol;Acc:HGNC:19192]
# 合并数据:res结果hg_symbols合并成一个文件
> 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
                                          
ENSG00000178691_2 525.694712971668 2.89353494910036 0.236838344980599
ENSG00000135535_3 1179.93018699244 1.24009500894173 0.195787854442592
ENSG00000196504_3 1775.80082364858 1.12403000897508 0.201799837601116
ENSG00000173905_2 545.305137710443  1.1832285473799 0.224038946461061
ENSG00000164172_3 254.782738750752 1.27726120796257 0.242907296366802
ENSG00000172239_3 235.672693658546 1.33513402183508 0.254808834148659
                              stat               pvalue                 padj
                                                 
ENSG00000178691_2 12.2173415345281 2.51164382359062e-34 2.16729745537635e-30
ENSG00000135535_3 6.33387097719766 2.39085467776778e-10 1.03153425072291e-06
ENSG00000196504_3 5.57002434856701 2.54703738492863e-08 6.31780309719697e-05
ENSG00000173905_2 5.28135204200112  1.2823401858785e-07 0.000198215794614375
ENSG00000164172_3 5.25822495687344 1.45452524998957e-07 0.000198215794614375
ENSG00000172239_3 5.23974777521311 1.60796217673036e-07 0.000198215794614375
> 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,hg_symbols,by="ensembl_gene_id")
> head(diff_name)
DataFrame with 1 row and 9 columns
  ensembl_gene_id        baseMean   log2FoldChange             lfcSE
                              
1 ENSG00000128512 179.89400102255 1.23959584130584 0.296973202603587
              stat               pvalue               padj external_gene_name
                                       
1 4.17409998760226 2.99166354169603e-05 0.0135868761585763              DOCK4
                                                     description
                                                     
1 dedicator of cytokinesis 4 [Source:HGNC Symbol;Acc:HGNC:19192]
> CD164 <- diff_name[diff_name$external_gene_name=="CD164",]
> CD164
DataFrame with 0 rows and 9 columns

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

七、数据可视化

1、MA plot

> plotMA(res,ylim=c(-2,2))
> topGene <- rownames(res)[which.min(res$padj)]
> with(res[topGene, ], {
+ points(baseMean, log2FoldChange, col="dodgerblue", cex=6, lwd=2)
+ text(baseMean, log2FoldChange, topGene, pos=2, col="dodgerblue")
+ })

结果如下：

Rplot01.png

经过lfcShrink 收缩log2 fold change

> res_order<-res[order(row.names(res)),]
> res = res_order
> res.shrink <- lfcShrink(dds, contrast = c("condition","treat","control"), res=res)
using 'normal' for LFC shrinkage, the Normal prior from Love et al (2014).

Note that type='apeglm' and type='ashr' have shown to have less bias than type='normal'.
See ?lfcShrink for more details on shrinkage type, and the DESeq2 vignette.
Reference: https://doi.org/10.1093/bioinformatics/bty895
> plotMA(res.shrink, ylim = c(-5,5))
> topGene <- rownames(res)[which.min(res$padj)]
> with(res[topGene, ], {
+   points(baseMean, log2FoldChange, col="dodgerblue", cex=2, lwd=2)
+
+   text(baseMean, log2FoldChange, topGene, pos=2, col="dodgerblue")
+ })
> plotMA(res.shrink, ylim = c(-5,5))
> topGene <- rownames(res)[which.min(res$padj)]
>  with(res[topGene, ], {
+   points(baseMean, log2FoldChange, col="dodgerblue", cex=2, lwd=2)
+   text(baseMean, log2FoldChange, topGene, pos=2, col="dodgerblue")
+ })

结果如下：

Rplot2.png

2、Plot counts

DESeq2提供了一个plotCounts()函数来查看某一个感兴趣的gene在组间的差别。counts会根据groups分组。更多的参数请输入命令?plotCounts

后面的暂时不写了qaq感兴趣可以看
探索分析结果:Data visulization

RNA-seq分析实战

一、软件安装准备

二、数据下载和处理

三、转换成fastq文件，并进行质控以及过滤

四、hisat2序列比对

五、htseq-count，reads计数

从上面看出需要至少做两步工作才能更好理解和往下进行分析

第一，需要把4个文件合并；

第二，需要把ensembl_gene_id转换为gene_symbol;（这一步不进行也行，后面还需要）

六、DESeq2筛选差异表达基因

七、数据可视化

你可能感兴趣的:(RNA-seq分析实战)