edgeR:处理数字基因表达数据的一个例子

作者：一枝梅

中国科学院成都成都生物研究所

kinglyyang@yeah.net

编辑：熊荣川

六盘水师范学院生物信息学实验室

xiongrongchuan@126.com

http://blog.sciencenet.cn/u/Bearjazz

edgeR是bioconductor中专门用于处理RNA-seq数据的基于R语言的软件包。

关于edgeR的更多细节，请猛击：

http://www.bioconductor.org/packages/release/bioc/html/edgeR.html

写在前面的话：

AS大部分的生物信息分析工具，edgeR的操作非常简单；真正复杂的是其背后的生物学意义，在类似的分析当中，主要指的就是实验的设计。如果实验设计不合理，得到的结果就没有意义。此外，实验的重复也很重要。

本例的实验设计：

      本例是一个2X2的方案，同一种组织来自两个不同样本，在两个treatments之下得到的基因表达数据。

准备工作：

      Reads的过滤、mapping和计数。为了使结果最可靠，应该去掉非一一对应的reads。Mapping的区域首选为外显子(推荐用HTSeq-count来进行计数)。

数据读取：

1）读取数据的方法不局限，只需要将计数过得reads数据以矩阵形式读入即可。例如使用read.delim()来读取

>rawdata<-read.delim(‘count.txt’,check.name=FALSE,stringAsFactors=FALSE)

> head(rawdata)#检查输入是否正确

FIG.1

>y<-DGEList(counts=rawdata[,2:5]),genes=rawdata[,1])

2）过滤与标准化

>keep<-rowSums(cpm(y)>1)>=4 #过滤标准为至少one count per million (cpm)

>y<-y[keep,]

>y<-calcNormFactors(y) #默认为TMM标准化

3）检查样本的outlier and relationship

>y<-plotMDS(y) # 图1表明样本在两个维度都契合得很好

FIG.2

4）设计design matrix

>treat<-factor(c(‘d’,’g’,’d’,’g’))

>sample<-factor(c(‘b’,’b’,’m’,’m’))

>design<-model.matrix（～treat+sample）

>rownames(design)<-colnames(y)

5）推测dispersion

>y<-estimateGLMCommonDisp(y,design,verbose=TRUE)

>y<-estimateGLMTrendedDisp(y, design)

>y<-estimateGLMTagwiseDisp(y, design)

6）差异表达基因

>fit<-glmFit(y, design)

>lrt<-glmLRT(fit)

> topTags(lrt)#前10个差异表达基因

>summary(de<-decideTestsDGE(lrt))

>detags<-rownames(y)[as.logical(de)]

>plotSmear(lrt, de.tags=detags)

>abline(h=c(-1,1),col=’blue’) #蓝线为2倍差异表达基因，差异表达的数据在lrt中

FIG.3

P.S. 由于时间仓促，如果文中有什么错误，请您跟我联系一起讨论，邮箱：

kinglyyang@yeah.net