北京网站整站优化,wordpress怎么删除某页页眉,建立的意思解释,免费网页制作软件下载目录
GSVA
1#xff1a;获取注释基因集
2#xff1a;运行
GSEA
1,示例数据集
2,运行
GSEA_KEGG富集分析
GSEA_GO富集分析
DO数据库GSEA
MSigDB数据库选取GSEA
KEGG
1#xff1a;运行
2#xff1a;绘图
bar图
气泡图
绘图美化
GO GSVA
1#xff1a;获取注…目录
GSVA
1获取注释基因集
2运行
GSEA
1,示例数据集
2,运行
GSEA_KEGG富集分析
GSEA_GO富集分析
DO数据库GSEA
MSigDB数据库选取GSEA
KEGG
1运行
2绘图
bar图
气泡图
绘图美化
GO GSVA
1获取注释基因集
2运行
GSEA
1,示例数据集
2,运行
GSEA_KEGG富集分析
GSEA_GO富集分析
DO数据库GSEA
MSigDB数据库选取GSEA
KEGG
GO GSVA
【精选】RNA 18. SCI 文章中基因集变异分析 GSVA_gsva分析-CSDN博客
RNA-seq入门实战八GSVA——基因集变异分析 - 知乎 (zhihu.com)
表达矩阵反映了样本和基因的关系则GSVA将一个“样本×基因”的矩阵转化为“样本×通路”的矩阵直接反映了样本和读者感兴趣的通路之间的联系。因此如果用limma包做差异表达分析可以寻找样本间差异表达的基因同样地使用limma包对GSVA的结果依然是一个矩阵做同样的分析则可以寻找样本间有显著差异的通路。这些“差异表达”的通路相对于基因而言更加具有生物学意义更具有可解释性是统计学与生物学成功结合后对GSEA结果的一次升华可以进一步用于肿瘤subtype的分型等等与生物学意义结合密切的探究。
1获取注释基因集
可以用msigdbr包下载读取或者GSEA | MSigDB | Human MSigDB Collections (gsea-msigdb.org)下载整理。 按需下载整理 ##进行数据读取
geneSets - getGmt(c2.cp.kegg_medicus.v2023.2.Hs.symbols.gmt) ###下载的基因集##下载symbols的 注释文件使用表达矩阵是省略了转换的麻烦
2运行
rm(list ls()) ## 魔幻操作一键清空~
options(stringsAsFactors F)library(GSVA)
library(GSEABase)
library(clusterProfiler)expr - read.csv(easy_input_expr.csv, row.names 1)#表达矩阵
geneSets - getGmt(h.all.v2023.2.Hs.symbols.gmt)##symbols 较为方便##运行
GSVA_hall - gsva(expras.matrix(expr),#需要为matrix格式gset.idx.listgeneSets, # methodgsva, #c(gsva, ssgsea, zscore, plage)mx.diffT, # 数据为正态分布则T双峰则FkcdfGaussian, #CPM, RPKM, TPM数据就用默认值Gaussian read count数据则为Poissonparallel.sz4,# 并行线程数目min.sz2)
GSEA
快速拿捏KEGG/GO/Reactome/Do/MSigDB的GSEA富集分析 (qq.com)
【精选】RNA 11. SCI 文章中基因表达富集之 GSEA_gsea数据库-CSDN博客
GSEAGene Set EnrichmentAnalysis即基因集富集分析它的基本思想是使用预定义的基因将基因按照在两类样本中的差异表达程度排序然后检验预先设定的基因集合是否在这个排序表的顶端或者底端富集。
1,示例数据集
rm(list ls())
library(DOSE)##包里有测试数据
library(clusterProfiler)
require(enrichplot)
options(stringsAsFactors F)data(geneList, package DOSE)
head(geneList)##DOSE提供的一个geneList,name是每一个entrez gene id, value是log2FoldChange值。
df - as.data.frame(geneList)##查看还原gene symbol
df$ENTREZID - rownames(df)
#?bitr 函数查看
df1-bitr(df$ENTREZID, #转换的列是df数据框中的SYMBOL列fromType ENTREZID,#需要转换ID类型toType SYMBOL,#转换成的ID类型OrgDb org.Hs.eg.db)#物种选择(小鼠的是org.Mm.eg.db)
df2-merge(df,df1,byENTREZID,allF)##进行合并测试数据查看 2,运行
GSEA_KEGG富集分析
rm(list ls())
library(DOSE)##包里有测试数据
library(clusterProfiler)
require(enrichplot)
options(stringsAsFactors F)
##input需要的是entrez IDlog2fc文件(包里的文件即为entrez IDlog2fc)
##如果不是entrez IDlog2fc需要进行转换##数据集查看和整理
data(geneList, package DOSE)
head(geneList)
#4312 8318 10874 55143 55388 991
#4.572613 4.514594 4.418218 4.144075 3.876258 3.677857
df - as.data.frame(geneList)##查看还原gene symbol
df$ENTREZID - rownames(df)
#?bitr 函数查看
df1-bitr(df$ENTREZID, #转换的列是df数据框中的SYMBOL列fromType ENTREZID,#需要转换ID类型toType SYMBOL,#转换成的ID类型OrgDb org.Hs.eg.db)#物种选择(小鼠的是org.Mm.eg.db)
df2-merge(df,df1,byENTREZID,allF)##进行合并
df3 -df2[,-1]
head(df3)#自己分析常见的格式
#geneList SYMBOL
#1 -0.28492113 NAT2##以df3 为input进行转换添加entrez ID列symbol转entrez ID
##注意还原结果少几十个基因因为一个entrez ID可能对应多个symbol(一基因多symbol)
dat-bitr(df3$SYMBOL, fromType SYMBOL, #现有的ID类型toType ENTREZID,#需转换的ID类型OrgDb org.Hs.eg.db)#物种
head(dat)##转换时部分SYMBOL会转换失败dat1-merge(df3,dat,bySYMBOL,allF)##进行合并
#按照foldchange排序
sortdf-dat1[order(dat1$geneList, decreasing T),]#这里geneList其实是logFC值
head(sortdf)geneList1 - sortdf$geneList##先把foldchange按照从大到小提取出来
names(geneList1) - sortdf$ENTREZID###给上面提取的foldchange加上对应上ENTREZID
head(geneList1 )
#4312 8318 10874 55143 55388 991
#4.572613 4.514594 4.418218 4.144075 3.876258 3.677857 #GSEA_KEGG富集分析
KEGG_ges - gseKEGG(geneList geneList1,#inputorganism hsa)#物种#按照enrichment score从高到低排序便于查看富集通路
sortKEGG_ges-KEGG_ges[order(KEGG_ges$enrichmentScore, decreasing T),]
#sortKEGG_ges - KEGG_gesresult 说明在GSEA中基因集的富集分数可以为正或负表示该基因集在对应生物条件下的富集程度。富集分数的绝对值越大表示富集程度越高。 对于AB两个亚型的差异基因在GSEA富集分析中结果按照富集分数排序。通常情况下富集分数为正最大的前几个表示在A亚型中富集的集中的通路而富集分数负值最大的几个表示在B亚型中富集的集中的通路。 需要注意的是富集分数的正负并不代表富集的方向而是表示富集程度的大小。因此正值最大的前几个通路表示在A亚型中富集程度最高的通路负值最大的几个通路表示在B亚型中富集程度最高的通路。 这样的排序方式可以帮助我们理解不同亚型或条件下基因集的富集模式以及与这些通路相关的生物学过程和功能。
#进行绘图
gseaplot2(KEGG_ges, row.names(sortKEGG_ges)[1:5])##可以自行选择通路dev.off()
#个性化展示(选取结果中的ID)
p1 - gseaplot2(KEGG_ges,geneSetID c(hsa03030,hsa03050,hsa04710,hsa00350),#通路color c(#003399, #FFFF00, #FF6600,black),#颜色pvalue_table TRUE,#显示P值ES_geom line)#dot将线转换为点
p1 GSEA_GO富集分析
主要是函数的不同 gseGO 函数
#GSEA
rm(list ls())
library(DOSE)##包里有测试数据
library(clusterProfiler)
require(enrichplot)
options(stringsAsFactors F)##数据集查看和整理
data(geneList, package DOSE)
head(geneList)##GSEA_GO富集分析
GO_ges - gseGO(geneList geneList,OrgDb org.Hs.eg.db,ont CC, #one of BP, MF, and CC subontologies, or ALL for all three.minGSSize 10,maxGSSize 500,pvalueCutoff 0.05,eps 0,verbose FALSE)
#res - GO_gesresult
res1-GO_ges[order(GO_ges$enrichmentScore, decreasing T),]
DO数据库GSEA
需要library(DOSE) DO(Disease Ontology)数据库GSEA
#GSEA
rm(list ls())
library(DOSE)##包里有测试数据
library(clusterProfiler)
require(enrichplot)
options(stringsAsFactors F)##数据集查看和整理
data(geneList, package DOSE)
head(geneList)##GSEA_DO(Disease Ontology)富集分析:
DO_ges - gseDO(geneList,minGSSize 10,maxGSSize 500,pvalueCutoff 0.05,pAdjustMethod BH,verbose FALSE,eps 0)#res - DO_gesresult
res1-DO_ges[order(DO_ges$enrichmentScore, decreasing T),]
MSigDB数据库选取GSEA
msigdf clusterProfiler全方位支持MSigDb (guangchuangyu.github.io)
QA | 如何使用clusterProfiler对MSigDB数据库进行富集分析 - 知乎 (zhihu.com)
#GSEA
rm(list ls())
library(DOSE)##包里有测试数据
library(clusterProfiler)
require(enrichplot)
library(msigdbr)
options(stringsAsFactors F)##数据集查看和整理
data(geneList, package DOSE)
head(geneList)##msigdbr 提取注释自己所需的注释基因集
H - msigdbr(species Homo sapiens, category H) %% dplyr::select(gs_name, entrez_gene)#C2all - msigdbr(species Homo sapiens,
# category H)#完整的注释##富集分析
H_ges - GSEA(geneList,TERM2GENE H,##注释基因集minGSSize 10,maxGSSize 500,pvalueCutoff 0.05,pAdjustMethod BH,verbose FALSE,eps 0)#res - H_gesresult
res1-H_ges[order(H_ges$enrichmentScore, decreasing T),] KEGG
KEGG富集分析及可视化一把子拿捏 (qq.com)
RNA 10. SCI 文章中基因表达富集之 KEGG 注释_kegg中qvalue_桓峰基因的博客-CSDN博客 在线KEGGDAVID Functional Annotation Bioinformatics Microarray Analysis (ncifcrf.gov)
DAVID 在线数据库进行 GO/ KEGG 富集分析_david数据库go富集分析-CSDN博客
1运行
##差异基因KEGG富集分析
rm(list ls()) ## 魔幻操作一键清空~
options(stringsAsFactors F)
library(dplyr)#数据清洗
library(org.Hs.eg.db)#ID转换
library(clusterProfiler)#富集分析
library(ggplot2)#绘图
library(RColorBrewer)#配色调整
library(DOSE)##包里有测试数据data(geneList, package DOSE)
head(geneList)
df - as.data.frame(geneList)##查看还原gene symbol
df$ENTREZID - rownames(df)
#?bitr 函数查看
df1-bitr(df$ENTREZID, #转换的列是df数据框中的SYMBOL列fromType ENTREZID,#需要转换ID类型toType SYMBOL,#转换成的ID类型OrgDb org.Hs.eg.db)#物种选择(小鼠的是org.Mm.eg.db)
df2-merge(df,df1,byENTREZID,allF)##进行合并##选择logFC1.5的基因我们以这个筛选的差异基因集为input测试
df3 - df2[abs(df2$geneList)1.5,]##abs() 表示绝对值
##自己使用时进行自定义KEGG_diff - enrichKEGG(gene df3$ENTREZID,organism hsa,#物种Homo sapiens (human)pvalueCutoff 0.05,qvalueCutoff 0.05)KEGG_result - KEGG_diffresult#保存富集结果
save(KEGG_diff,KEGG_result,file c(KEGG_diff.Rdata))
#write.csv(KEGG_result,file KEGG_result.csv)IDpathway的ID名GeneRatio差异基因中富集到该pathway的基因数目/富集到所有pathway的总差异基因数目BgRatio所有背景基因中富集到该pathway的基因数目/总背景基因数目
Count富集到该pathway的基因数目
2绘图
bar图
#绘图
library(enrichplot)
library(stringr)
library(cowplot)
library(ggplot2)
barplot(KEGG_diff,x Count, #or GeneRatiocolor pvalue, #or p.adjust and qvalueshowCategory 20,#显示前top20font.size 12,title KEGG enrichment barplot,label_format 30 #超过30个字符串换行
)
气泡图
dotplot(KEGG_diff,x GeneRatio,color p.adjust,title Top 20 of Pathway Enrichment,showCategory 20,label_format 30
)
绘图美化
#将pathway按照p值排列
KEGG_top20 - KEGG_result[1:20,]
KEGG_top20$pathway - factor(KEGG_top20$Description,levels rev(KEGG_top20$Description))
p2 - ggplot(data KEGG_top20,aes(x Count,y pathway))geom_point(aes(size Count,color -log10(pvalue))) # 气泡大小及颜色设置theme_bw()scale_color_distiller(palette Spectral,direction 1) labs(x Gene Number,y ,title Dotplot of Enriched KEGG Pathways,size Count)
p2 GO
GO富集分析及可视化一把子拿捏 (qq.com)
【精选】RNA 9. SCI 文章中基因表达之 GO 注释_consider increasing max.overlaps_桓峰基因的博客-CSDN博客
就是函数的差别
GO_MF_diff - enrichGO(gene diff_entrez$ENTREZID, #用来富集的差异基因
OrgDb org.Hs.eg.db, #指定包含该物种注释信息的org包
ont MF, #可以三选一分别富集,或者ALL合并
pAdjustMethod BH, #多重假设检验矫正方法
pvalueCutoff 0.05,
qvalueCutoff 0.05,
readable TRUE) #是否将gene ID映射到gene name
#提取结果表格
GO_MF_result - GO_MF_diffresult
View(GO_MF_result)
感谢上面的许多教程更详细的大家可以去学习
