||
生物信息学习的正确姿势
NGS系列文章包括NGS基础、在线绘图、转录组分析 (Nature重磅综述|关于RNA-seq你想知道的全在这)、ChIP-seq分析 (ChIP-seq基本分析流程)、单细胞测序分析 (重磅综述:三万字长文读懂单细胞RNA测序分析的最佳实践教程)、DNA甲基化分析、重测序分析、GEO数据挖掘(典型医学设计实验GEO数据分析 (step-by-step))、批次效应处理等内容。
今天在讨论群看到有群友提问 单基因GSEA怎么做?
。之前也看到过这个概念,但一直不清楚这个单是什么含义,一直以为是用单个基因做GSEA
。如果之前看过生信宝典的一文掌握GSEA,超详细教程,一定会特别熟悉GSEA
的原理和操作流程。当然越是理解,越是想不明白单个基因怎么做GSEA
。当然如果您不熟悉GSEA,建议先看上一篇文章。
后来群友点拨理解了,不是对单个基因做GSEA
,是拿单个基因 (一般是感兴趣的基因)作为分组方式,探索与给定的单个基因相关的(可以是表达相关,也可以是其它相关)基因富集在哪些调控通路和分子功能。
分组方法有两种,一种是定性分组
,一种是定量相关
。
根据感兴趣的单个基因的度量值如表达值进行分组,比如按照该基因表达中位数分组,该基因表达值高于中位数的样品为一组,低于中位数的样品为一组,构建一个cls
文件。如下,假如有8个样品,其中4个样品中该基因表达高 (samp1
, samp3
, samp7
, samp8
),4个样品中该基因表达低(samp 2 4 5 6
),则cls
文件如下 (一定注意样本顺序要一致):
8 2 1
#gene_high gene_low
gene_high gene_high gene_high gene_high gene_low gene_low gene_low gene_low
调整后的表达矩阵格式如下 (注意列的对应,high
对高的样品。)
Gene samp1 samp3 samp7 samp8 samp2 samp4 samp5 samp6
A 4 4 4 4 1 1 1 1
B . . . . . . . .
C . . . . . . . .
后续的操作就不说了,还是看生信宝典的一文掌握GSEA,超详细教程,看完就都会了。
注:也可以按照该基因表达的第一和三四分位数
分组,小于第一四分位数
的为一组,大于第三四分位数
的为另一组。
与前面把样本分组不同,这里样本不进行分组了,而是把感兴趣基因的表达做为样本的一个属性。在做GSEA
分析时,其它基因按照与感兴趣基因的表达相关性排序进行后续分析。
这时应该怎么准备cls
文件呢?
咱们先以一个时间序列样本的cls
文件为例:
#numeric
为固定写法,第一行,不需要修改
#Time
名字随便取,这里是时间序列,取名Time
。#
是必须的。
第3
行是每个样品的处理时间,0
为0小时
,1
为1小时
;每个时间3
个重复,所以写了3
遍;总共5
个时间点,15
个样品。
#numeric
#Time
0 0 0 1 1 1 6 6 6 24 24 24 48 48 48
回到我们这个例子,还是8个样品,分别为samp 1 2 3 4 5 6 7 8
,假如感兴趣基因是A
,表达矩阵如下:
Gene samp1 samp2 samp3 samp4 samp5 samp6 samp7 samp8
A 9 8 7 6 3 4 1 2
B . . . . . . . .
C . . . . . . . .
这时对应的cls
文件这么写(注意一一对应关系)。Aexpr
随便起的一个名字,代表A基因的表达。
#numeric
#Aexpr
9 8 7 6 3 4 1 2
然后导入GSEA
就可以分析了。需要注意的是选择合适的Ranking metric
,如pearson相关性
、Cosine
、Manhattan
或Euclidean
。
直接看动画,数据格式也有展示,GMT
文件是自己整理的。这是1我们单细胞和群体转录组课程的一个小环节 (回头把这部分视频拆出来放到腾讯课堂供访问)。
公众号看不了动画,截图两张,点击阅读原文去查看吧。
讨论学习是个很好的方式,欢迎大家有问题发到train@ehbio.com
,信息全的,问题可重现的,或有意思的开放问题我们都会给予解决,写个推文发出,既方便自己,又方便他人。
当然如果类似转录组怎么分析
, 宏基因组怎么分析
,这样大的问题还是参加我们的线下培训班或购买网课吧,都在www.ehbio.com/Training
。
Archiver|手机版|科学网 ( 京ICP备07017567号-12 )
GMT+8, 2024-9-1 09:21
Powered by ScienceNet.cn
Copyright © 2007- 中国科学报社