|
本文由可爱的乔巴根据实践经验而整理，希望对大家有帮助。 原创微文，欢迎转发转载。 上期介绍了利用psych包计算两组小样本的相关性并进行热图可视化，但当样本数据量非常大时，psych包会耗费的时间非常长。今天推荐一个快速计算大样本量的相关性方法，可以使用WGCNA包中的cor函数和corPvalueStudent计算大样本的两组数据的相关性计算并进行热图展示。 ##读取基因表达数据,行名为目标基因集的样品信息。列名为基因，每一列数据为基因对应于不同样品的表达量。 gene <- read.csv("Test_Gene_expre.csv",header = T,row.names = 1) dim(gene) ##查看数据的大小，5行5397列。 #读取蛋白质组（代谢组）表达量文件，此处使用不同样品测定的代谢物表达量进行分析，计算激素于目标基因集的相关性。第一列为样品信息，与基因集的样品信息一致，第二列到第四列为测定的不同时期的不同代谢物对应的表达量。 meta <- read.csv("Test_meta_expre.csv",header = T,row.names = 1) dim(meta) ##查看数据的大小，5行330列。 ##这里使用WGCNA包中的cor函数进行相关性计算，利用corPvalueStudent计算相关性的p值。 library(WGCNA) ##载入WGCNA包 ？cor ##查看WGCNA包中cor的具体使用方法。cor支持person、spearman和kendall算法。 metaGeneCor.r <- cor(gene, meta, method="pearson") ##相关性计算，非常的快5*5397的基因和5*330的代谢表达相关性计算，基本几秒就计算出结果了。 write.csv(metaGeneCor.r,file="GeneCorMeta.csv")###保存相关性计算结果。 ？corPvalueStudent ##查看corPvalueStudent使用方法 nmeta=nrow(meta) ##样本数统计. metaGeneCor.p <- corPvalueStudent(metaGeneCor.r, nmeta) ##计算样本相关性的p值，nmeta可以直接填写样本量，比如本示例中的5 write.csv(metaGeneCor.p,file = "MetaCorGene.p.csv") ##保存P值计算的结果 ##相关性结果进行可视化 library(pheatmap) ##使用pheatmap包 pheatmap(metaGeneCor.r,show_rownames = F,show_colnames = F) 因为样本比较大，pheatmap进行可视化的稍微有点慢，需要等待，因为样本信息很多，没有办法完全展示基因和代谢物信息，故使用show_rownames和show_colnames 参数不展示行名和列名。 感谢阅读！
|
|
|
