0.背景知识
TCGA或TCGA+GTEx的表达矩阵，行名都是ensamble id，因为TCGA数据的参考基因组版本是genecode V22，xena重新分析的TCGA+GTEx数据参考基因组版本则是genecode V23。
代码复制太多次了，于是我写了一个函数，将ensamble id表达矩阵直接转换为symbol。
仍然是tinyarray包，今天说的函数是新写的，到Github下载最新版本的包吧：
https://github.com/xjsun1221/tinyarray
1.输入数据
从xena网站下载的胰腺癌TCGA+GTEx数据，是log过的。
load("Pancreas_expr_ph.Rdata")
Pancreas_expr = 2^Pancreas_expr -1
Pancreas_expr[1:4,1:4]
## GTEX-S33H-1226-SM-4AD69
## ENSG00000242268.2 2.000078
## ENSG00000259041.1 0.000000
## ENSG00000270112.3 0.000000
## ENSG00000167578.16 307.002873
## GTEX-VJYA-0826-SM-4KL1M
## ENSG00000242268.2 1.000
## ENSG00000259041.1 0.000
## ENSG00000270112.3 0.000
## ENSG00000167578.16 328.812
## TCGA-FB-A545-01
## ENSG00000242268.2 1.0000
## ENSG00000259041.1 0.0000
## ENSG00000270112.3 0.0000
## ENSG00000167578.16 624.6014
## GTEX-ZF3C-2026-SM-4WWB5
## ENSG00000242268.2 0.000000
## ENSG00000259041.1 0.000000
## ENSG00000270112.3 3.999903
## ENSG00000167578.16 603.416820
根据数据的列名生成tumor-normal分组信息
library(stringr)
k1 = str_starts(colnames(Pancreas_expr),"TCGA")
k2 = as.numeric(str_sub(colnames(Pancreas_expr),14,15))<10
## Warning: NAs introduced by
## coercion
table(k1&k2)
##
## FALSE TRUE
## 171 179
group_list = ifelse(k1&k2,"tumor","normal")
group_list = factor(group_list,levels = c("normal","tumor"))
2.ID转换
就一个函数，trans_exp搞定。
library(tinyarray)
exp2 = trans_exp(Pancreas_expr)
## 19797 of genes successfully mapping to mRNA,14852 of genes successfully mapping to lncRNA
exp2[1:4,1:4]
## GTEX-S33H-1226-SM-4AD69
## RAB4B 307.002873
## TIGAR 36.999275
## RNF44 1161.004548
## DNAH3 8.999805
## GTEX-VJYA-0826-SM-4KL1M
## RAB4B 328.811981
## TIGAR 47.001248
## RNF44 1132.996129
## DNAH3 2.000078
## TCGA-FB-A545-01
## RAB4B 624.60143
## TIGAR 217.00237
## RNF44 1692.97868
## DNAH3 32.00013
## GTEX-ZF3C-2026-SM-4WWB5
## RAB4B 603.416820
## TIGAR 51.999249
## RNF44 2222.011968
## DNAH3 2.000078
还有两个可选的参数,mrna_only 和 lncrna_only, mrna_only 设为T则是只挑选mrna，以此类推。
3.指定基因的表达量t检验
这个需求是因为我在重复一篇文章时，看到作者将表达量上调和预后不良联系到一起，给基因取交集。也是做了很多次，所以写了个函数，给定一个基因列表，直接基于T检验返回表达量增加/减少/变化的基因。
相比于使用R包进行差异分析，这个只是最简单的统计学方法，只是定性到底是表达量增加还是减少。
set.seed(12345)
hubgenes = sample(rownames(exp2),20)
#这里是随便挑了20个基因，实际使用应该换成感兴趣的基因
t_choose(hubgenes,exp2,group_list)
## [1] "SETDB2"
## [2] "ZFYVE19"
## [3] "C16orf87"
## [4] "PIH1D2"
## [5] "IQCF2"
## [6] "CLIP2"
## [7] "ENPP3"
## [8] "GSG2"
## [9] "VSX1"
## [10] "HRG"
## [11] "MGC16275"
## [12] "RP11.407N17.4"
## [13] "RP11.159D23.2"
## [14] "AP000704.5"
## [15] "AC107218.3"
t_choose(hubgenes,exp2,group_list,up_only = T)
## [1] "ENPP3"
## [2] "AP000997.1"
## [3] "CLIP2"
## [4] "SETDB2"
## [5] "SYP-AS1"
## [6] "CTD-2532K18.1"
## [7] "RP11-407N17.4"
## [8] "AP000704.5"
## [9] "ZFYVE19"
## [10] "TET2-AS1"
## [11] "MGC16275"
## [12] "AC107218.3"
## [13] "VSX1"
t_choose(hubgenes,exp2,group_list,down_only = T)
## [1] "RP11-159D23.2"
## [2] "PIH1D2"