|
高通量测序数据一般公司都会提供两种矩阵，一种是Row counts，前面说过的用于差异基因的筛选。第二种是FPKM值，可以理解为转录组基因的表达矩阵，可以用于做热图和基因表达变化的比较。但是数据挖掘中，我们只能下载到counts矩阵，所以要得到基因的表达量还需要通过计算。 这里我们使用biomaRt包举个例子，由counts值计算FPKM。 一、FPKM的计算 加载counts矩阵： setwd("E:/生物信息学")ma <- read.csv("GSE169758_markdup.featco.2.counts.csv",header = T,row.names = 1)下载安装R包： BiocManager::install("biomaRt")library(biomaRt)链接到ensembl数据库，并选择合适的物种，因为我们下载的是人的数据，所以dataset = "hsapiens_gene_ensembl"，小鼠的则选择dataset = “mmusculus_gene_ensembl”。计算基因长度。 ensembl <- useMart("ensembl") ensembl = useDataset("hsapiens_gene_ensembl",mart=ensembl)test <- getBM(attributes=c('ensembl_gene_id', 'start_position', 'end_position','ensembl_transcript_id', 'transcript_length'),mart = ensembl)head(test)# ensembl_gene_id start_position end_position ensembl_transcript_id transcript_length#1 ENSG00000210049 577 647 ENST00000387314 71#2 ENSG00000211459 648 1601 ENST00000389680 954#3 ENSG00000210077 1602 1670 ENST00000387342 69#4 ENSG00000210082 1671 3229 ENST00000387347 1559#5 ENSG00000209082 3230 3304 ENST00000386347 75#6 ENSG00000198888 3307 4262 ENST00000361390 956 将得到的test文件排序，并去除重复的ID： test <- test[order(test$ensembl_gene_id,test$transcript_length,decreasing = T),]g <- test[!duplicated(test$ensembl_gene_id),]g <- g[,c(1,5)]head(g)dim(g)summary(g)取基因长度文件和count文件交集的基因： ng=intersect(rownames(ma),g$ensembl_gene_id) length(ng)lengths=g[match(ng,g$ensembl_gene_id),2]names(lengths) <- g[match(ng,g$ensembl_gene_id),1]head(lengths)根据最终选取的counts矩阵计算每个样本的文库大小： ma <- ma[names(lengths),]total_count <- colSums(ma)head(total_count)#Mcc1 Mcc2 Mcc3 Mcc4 Mcc5 Mcc6 #39315944 15971423 16166354 25798072 33085950 1772396计算FPKM，并保存文件： ma_fpkm <- t(do.call( rbind, lapply(1:length(total_count), function(i){ 10^9*ma[,i]/lengths/total_count[i] #lengths向量自动遍历 }) ))ma_fpkm[1:4,1:4]#[,1] [,2] [,3] [,4]#ENSG00000000003 0.01340093 0.000000 0.000000 0.01021143#ENSG00000000005 0.00000000 0.000000 0.000000 0.00000000#ENSG00000000419 28.87258994 24.594527 23.186029 27.78157422#ENSG00000000457 2.23382616 1.677457 1.696455 2.31666061write.csv(ma_fpkm, file = "ma_fpkm.csv")二、基因ID转gene symbol 从前面的结果我们很清楚的看到，每个基因都是用ID表示的，类似于ENSG00000000003，但看这个名称，根本不知道它是什么，我们通常也不习惯这样表示基因，还是习惯于Gene symbol。接下来我们将这个FPKM文件进行基因ID注释。 首先加载人基因数据库： library(stringr)BiocManager::install("org.Hs.eg.db")library(org.Hs.eg.db)准备三个文件，一个是gene ID，一个是gene symbol，还有一个是我们需要注释的文件，准备一列ensembl_id： gs <- toTable(org.Hs.egSYMBOL)head(gs)#gene_id symbol#1 1 A1BG#2 2 A2M#3 3 A2MP1#4 9 NAT1#5 10 NAT2#6 11 NATPge <- toTable(org.Hs.egENSEMBL)head(ge)#gene_id ensembl_id#1 1 ENSG00000121410#2 2 ENSG00000175899#3 3 ENSG00000256069#4 9 ENSG00000171428#5 10 ENSG00000156006#6 12 ENSG00000196136colnames(ma_fpkm) <- colnames(ma)ma_fpkm <- as.data.frame(ma_fpkm)ma_fpkm$ensembl_id <- row.names(ma_fpkm)接着就是将这几个文件一一比对merge，就可以得到注释的gene symbol： b <- merge(ma_fpkm,ge,by="ensembl_id",all.x=T)c <- merge(b,gs,by="gene_id",all.x=T) c=c[order(c$ensembl_id),]c=c[!duplicated(c$ensembl_id),]c=c[match(ma_fpkm$ensembl_id,c$ensembl_id),]head(c)# Pan1 Pan2 Pan3 Pan4 Pan5 Pan6 symbol#29657 4.55462494 2.612894 3.31715074 3.80483778 4.487819 2.49863368 TSPAN6#27673 0.00000000 0.000000 0.00000000 0.02566601 0.000000 0.00000000 TNMD#33278 27.28248482 18.442794 22.18114506 23.02063714 25.941927 20.66173442 DPM1#26324 1.56335564 2.044088 2.33643810 2.39752223 1.953669 2.30114296 SCYL3#25673 4.02781699 4.294728 5.45416997 4.60184848 3.717569 5.34177442 C1orf112#15388 0.01591371 0.000000 0.01808745 0.01172831 0.000000 0.01215142 FGRwrite.csv(c,file = "genesymbol_fpkm.csv")这样我们的问题就解决了！ |
|
|
