R绘图 | Preservation Zsummary分析探索！

出发点

源自Large-scale proteomic analysis of Alzheimer’s disease brain and cerebrospinal fluid reveals early changes in energy metabolism associated with microglia and astrocyte activation这篇文章中的分析结果图（如下所示），想尝试看下是否可以利用自身数据复现改图！

image

初步思考

初步看文章，该分析源自WGCNA，目的在于比较基因模块在不同数据集中的保守性（preservation），以便剔除保守性较差的模块。

image

通过查看WGCNA文档，的确有modulePreservation()这个函数用来计算保守性Z值。

image

image

查看相关教程，发现有两种方式：一是将针对某数据，通过WGCNA分析得到基因模块信息，然后将总数据拆分成两组数据，再用modulePreservation()计算模块在两组数据中的保守性；二是分别对两组数据进行WCGNA分析，得到模块信息，然后以其中一组为对照，同样用modulePreservation()计算对照组模块在两组数据中的保守性，下文是第一种方式。

具体该如何操作？

清除环境，加载R包，载入数据

rm(list = ls())
library(WGCNA)
#save(datExpr,datTraits,file = "WGCNA_data.Rdata")
load(file = "WGCNA_data.Rdata")
datExpr[1:4,1:4] #56例样本,5000个基因
# ENSG00000210082 ENSG00000198712 ENSG00000198804 ENSG00000210845
# GSM1172844        78053.20       103151.73       112917.53        92808.32
# GSM1172845        96200.86       157203.85       163847.92        93501.17
# GSM1172846        18259.11        40704.97        13357.02        75183.17
# GSM1172847        33184.15        43673.63        15360.50        91278.61
datTraits[1:4,1:3] #56例样本,3种临床信息
# gsm cellline       subtype
# GSM1172844 GSM1172844    184A1 Non-malignant
# GSM1172845 GSM1172845    184B5 Non-malignant
# GSM1172846 GSM1172846    21MT1         Basal
# GSM1172847 GSM1172847    21MT2         Basal
#保守性Z值的计算其实是不需要表型数据的

确定软阈值，结果为6

powers = c(c(1:10), seq(from = 12, to=20, by=2))
sft = pickSoftThreshold(datExpr, powerVector = powers, verbose = 5)
png("beta-value.png",width = 800,height = 600)
par(mfrow = c(1,2));
cex1 = 0.9;
plot(sft$fitIndices[,1], -sign(sft$fitIndices[,3])*sft$fitIndices[,2],
     xlab="Soft Threshold (power)",ylab="Scale Free Topology Model Fit,signed R^2",type="n",
     main = paste("Scale independence"));
text(sft$fitIndices[,1], -sign(sft$fitIndices[,3])*sft$fitIndices[,2],
     labels=powers,cex=cex1,col="red");
abline(h=0.90,col="red")
plot(sft$fitIndices[,1], sft$fitIndices[,5],
     xlab="Soft Threshold (power)",ylab="Mean Connectivity", type="n",
     main = paste("Mean connectivity"))
text(sft$fitIndices[,1], sft$fitIndices[,5], labels=powers, cex=cex1,col="red")
dev.off()

image.png

构建加权共表达网络,得到模块信息

net = blockwiseModules(
      datExpr,
      power = sft$powerEstimate,
      maxBlockSize = 6000,
      TOMType = "unsigned", minModuleSize = 30,
      reassignThreshold = 0, mergeCutHeight = 0.25,
      numericLabels = TRUE, pamRespectsDendro = FALSE,
      saveTOMs = TRUE,
      saveTOMFileBase = "AS-green-FPKM-TOM",
      verbose = 3)
table(net$colors)
##正常情况下还需要对以上模块进行合并处理,这里直接跳过了

模块的可视化

moduleColors = labels2colors(net$colors)
table(moduleColors)
png("genes-modules.png",width = 800,height = 600)
plotDendroAndColors(net$dendrograms[[1]], moduleColors[net$blockGenes[[1]]],
                    "Module colors",
                    dendroLabels = FALSE, hang = 0.03,
                    addGuide = TRUE, guideHang = 0.05)
dev.off()

image

将数据拆分成两个数据集，进行保守性Z值的计算

datExpr_all=as.data.frame(t(datExpr))
dat1<-datExpr_all[,1:(length(colnames(datExpr_all))/2)]
dat2<-datExpr_all[,((length(colnames(datExpr_all))/2)+1):length(colnames(datExpr_all))]
#将dat1和dat2合成list的形式
multiExpr = list(A1=list(data=t(dat1)),A2=list(data=t(dat2))) 
multiColor = list(A1 = moduleColors) 
## modulePreservation计算Z值
mp=modulePreservation(multiExpr,multiColor,referenceNetworks=1,verbose=3,networkType="signed", 
                      nPermutations=30,maxGoldModuleSize=100,maxModuleSize=400) 
stats = mp$preservation$Z$ref.A1$inColumnsAlsoPresentIn.A2 
stats[order(-stats[,2]),c(1:2)]
# moduleSize Zsummary.pres
# green                270     29.861591
# magenta              124     29.403919
# blue                 355     27.080263
# turquoise            400     25.272498
# brown                305     25.124595
# pink                 168     24.881998
# yellow               279     22.605801
# purple               108     22.061868
# midnightblue          84     17.624309
# grey60                67     17.286478
# tan                   88     17.211929
# black                175     16.686788
# red                  241     14.397391
# darkturquoise         41     12.963404
# orange                40     12.240383
# lightyellow           61     11.661585
# salmon                87     10.845303
# white                 37      9.505908
# darkgrey              40      9.104845
# darkorange            38      8.615691
# darkred               47      8.612495
# darkgreen             44      8.114247
# royalblue             60      7.766209
# gold                 100      7.111177
# greenyellow          101      6.883031
# cyan                  84      6.503736
# lightgreen            62      4.917559
# lightcyan             77      4.261902
# grey                 246      1.412561

Z值结果的可视化绘图

stats$module = rownames(stats)
library(ggplot2)
library(ggrepel)
g=ggplot(data=stats,aes(x=moduleSize,y=Zsummary.pres,col=module))+
  geom_point(alpha=0.8, size=5) +
  theme_bw(base_size=15)+
  theme(panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        axis.line = element_line(colour = "black"))+
  xlab("ModuleSize") + ylab("Zsummary.pres") +
  ggtitle( "Preservation Zsummary" ) +
  theme(plot.title = element_text(size=15,hjust = 0.5))+
  scale_colour_manual(values = c(stats$module))+
  ## 去掉图注
  theme(legend.position='none')+
  ## 添加阈值线
  geom_hline(yintercept = c(2,10),lty=4,lwd=1,col=c("blue","red"))+
  ## 添加文本信息
  geom_text_repel(aes(label=module),color="black",alpha = 0.8)
print(g)
ggsave(g,filename = "Preservation Zsummary.pdf",height = 8,width = 6)
dev.off()

image

图注说明：蓝线表示Z=2，红线表示Z=10，Z<2代表无保守性，210代表高保守性。

R绘图 | Preservation Zsummary分析探索！

出发点

初步思考

具体该如何操作？

清除环境，加载R包，载入数据

确定软阈值，结果为6

构建加权共表达网络,得到模块信息

模块的可视化

将数据拆分成两个数据集，进行保守性Z值的计算

Z值结果的可视化绘图

你可能感兴趣的:(R绘图 | Preservation Zsummary分析探索！)