一套limma、edgeR的实战【上】

第一部分 背景介绍

选用GEO数据：GSE63310

从雌性小鼠乳腺中提取了三种类型的细胞：basal、luminal progenitor（LP-乳腺癌早期前体细胞）、mature luminal （ML），各三个重复。RNA利用Hiseq 2000+100bp单端测序；参考基因组选择mm10，Rsubread比对+featureCounts定量

转录组表达数据地址：
http://www.ncbi.nlm.nih.gov/geo/download/?acc=GSE63310&format=file

第二部分 数据准备

读取表达量数据 =>得到DEGList x

cd ~/Download
wget -c http://www.ncbi.nlm.nih.gov/geo/download/?acc=GSE63310&format=file
tar xvf GSE63310_RAW.tar
unzip *### 设置好rstudio 的projectfiles <- c("GSM1545535_10_6_5_11.txt", "GSM1545536_9_6_5_11.txt", "GSM1545538_purep53.txt","GSM1545539_JMS8-2.txt", "GSM1545540_JMS8-3.txt","GSM1545541_JMS8-4.txt", "GSM1545542_JMS8-5.txt","GSM1545544_JMS9-P7c.txt", "GSM1545545_JMS9-P8c.txt")
read.delim(files[1], nrow=5)##   EntrezID GeneLength Count##1    497097       3634     1##2 100503874       3259     0##3 100038431       1634     0##4     19888       9747     0##5     20671       3130     1#接下来利用edgeR的readDEG将所有表达矩阵读入并且组合成一个大的矩阵library(limma)
library(edgeR)
x <- readDGE(files, columns=c(1,3)) # 只要它的Entrez ID 和count值dim(x) # x中有表达量和样本信息，样本信息又包括了group、libsize、lane等信息#[1] 27179     9# 如果一开始所有的表达量都存在一个矩阵中，那么直接用DEGList()转换就好

整理样本分组信息 =》 对DEGList x的列进行操作

下游分析之前，需要将整合的矩阵的列名与实验样本设计关联起来（包括不同的分组信息以及不同组的重复信息）

比如：细胞的basal、LP、ML分组；基因型的wild-type、knock-out分组；表型的disease、status、sex、age分组、样本处理的drug、control分组、关于批次Batch的不同样本采集、测序日期、测序lane等

这里的DEGList中包含的样本信息有：细胞类型、批次信息（测序的lane），每种信息都是因子型factor变量，但是各自因子的level不同

# 先简化GEO的ID名称，也就是把GSM去掉samplenames <- substring(colnames(x), 12, nchar(colnames(x)))
samplenames##[1] "10_6_5_11" "9_6_5_11"  "purep53"  ##[4] "JMS8-2"    "JMS8-3"    "JMS8-4"   ##[7] "JMS8-5"    "JMS9-P7c"  "JMS9-P8c" colnames(x) <- samplenames#然后我们可以自己设计分组信息group <- as.factor(c("LP", "ML", "Basal", "Basal", "ML", "LP", "Basal", "ML", "LP"))
x$samples$group <- group#自己添加lane 信息lane <- as.factor(rep(c("L004","L006","L008"), c(3,4,2)))
x$samples$lane <- lane
x$samples##                             files group lib.size norm.factors lane##10_6_5_11 GSM1545535_10_6_5_11.txt    LP 32863052            1 L004##9_6_5_11   GSM1545536_9_6_5_11.txt    ML 35335491            1 L004##purep53     GSM1545538_purep53.txt Basal 57160817            1 L004##JMS8-2       GSM1545539_JMS8-2.txt Basal 51368625            1 L006##JMS8-3       GSM1545540_JMS8-3.txt    ML 75795034            1 L006##JMS8-4       GSM1545541_JMS8-4.txt    LP 60517657            1 L006##JMS8-5       GSM1545542_JMS8-5.txt Basal 55086324            1 L006##JMS9-P7c   GSM1545544_JMS9-P7c.txt    ML 21311068            1 L008##JMS9-P8c   GSM1545545_JMS9-P8c.txt    LP 19958838            1 L008

整理基因注释信息=》 对DEGList x的行进行操作

source("https://bioconductor.org/biocLite.R")
options(BioC_mirror="http://mirrors.ustc.edu.cn/bioc/")
biocLite("Mus.musculus")
library(Mus.musculus)
geneid <- rownames(x)
genes <- select(Mus.musculus, keys=geneid, columns=c("SYMBOL", "TXCHROM"),
 keytype="ENTREZID") #转换基因id，用clusterProfiler的bitr函数也可以;另外这个还增加了染色体信息head(genes)##   ENTREZID  SYMBOL TXCHROM##1    497097    Xkr4    chr1##2 100503874 Gm19938    <NA>##3 100038431 Gm10568    <NA>##4     19888     Rp1    chr1##5     20671   Sox17    chr1##6     27395  Mrpl15    chr1

需要注意的是：Entrez ID可能并不是和基因信息一一匹配的，可能同样的ID会匹配到不同染色体，因此需要检查有没有重复出现的Entrez ID，以保证注释和我们的DEGList之间的基因顺序是一致的

dup <- genes$ENTREZID[duplicated(genes$ENTREZID)]
genes[genes$ENTREZID %in% dup,][1:5,]# 果然发现了不同染色体上重复的ID##       ENTREZID    SYMBOL TXCHROM##5360  100316809 Mir1906-1   chr12##5361  100316809 Mir1906-1    chrX##9563      12228      Btg3   chr16##9564      12228      Btg3   chr17##11350    433182     Eno1b    chr4# 然后把重复的基因挑出来【重复的只统计一次】mat <- match(geneid, genes$ENTREZID)
genes <- genes[mat,]
genes[genes$ENTREZID %in% dup,][1:5,]

这时在看x这个DEGList，就是一个标准的包含原始count数据、样本信息的表达量矩阵

第三部分 数据预处理

原始数据的转换

进行差异表达一般都不会用raw counts的，因为存在测序深度、文库大小的差别，这样的结果是不准确的

一般的做法是：利用标准化算法，如CPM（counts per million), log-CPM (log2-counts per million), RPKM (reads per kilobase of transcript per million), FPKM(fragments per kilobase of
transcript per million)等去除文库大小、深度的影响。和RPKM、FPKM不同的是，CPM和log-CPM不需要考虑feature length的差异，也就是说基因长度在统计时被当成常数，只考虑不同处理下的不同，而不会受长度的影响

cpm使用cpm()函数；RPKM使用rpkm函数，都属于edegR

cpm <- cpm(x)
lcpm <- cpm(x, log=TRUE)

去掉不感兴趣的基因

所有的数据集中都会存在表达的和不表达的基因，我们感兴趣的是在一个条件下表达，另一个条件不表达的。

看下有多少基因在所有样本中表达量都为0

table(rowSums(x$counts==0)==9)#### FALSE TRUE## 22026 5153

表达量都为0的占比达到了19%

过滤基因=>标准就是cpm至少一组或整个实验中有三个样本大于1

keep.exprs <- rowSums(cpm>1)>=3
x <- x[keep.exprs,, keep.lib.sizes=FALSE]dim(x)

作图检查：虚线就是cpm为1（即log cpm为0的时候）作为判断阈值，看超过这个线的有几个

library(RColorBrewer)
nsamples <- ncol(x)
col <- brewer.pal(nsamples, "Paired")
par(mfrow=c(1,2))
plot(density(lcpm[,1]), col=col[1], lwd=2, ylim=c(0,0.21), las=2,
 main="", xlab="")
title(main="A. Raw data", xlab="Log-cpm")
abline(v=0, lty=3)for (i in 2:nsamples){
den <- density(lcpm[,i])
lines(den$x, den$y, col=col[i], lwd=2)
}
legend("topright", samplenames, text.col=col, bty="n")
lcpm <- cpm(x, log=TRUE)
plot(density(lcpm[,1]), col=col[1], lwd=2, ylim=c(0,0.21), las=2,
 main="", xlab="")
title(main="B. Filtered data", xlab="Log-cpm")
abline(v=0, lty=3)for (i in 2:nsamples){
 den <- density(lcpm[,i])
 lines(den$x, den$y, col=col[i], lwd=2)
}
legend("topright", samplenames, text.col=col, bty="n")

密度分布

基因表达分布标准化

在准备试验样品或者测序的过程中，外界因素非常可能会引入误差，影响样本的基因表达水平。比如：第一批测序的样本可能比第二批测序的深度要深。标准化就是为了让每个样本的表达量分布在整个实验中是相似的

如何判断是否标准了呢？

可以通过密度图density或者箱线图boxplot，比如上图就是密度分布，其中B图的log-CPM分布就比较一致，并且都在阈值的右侧

如何标准化？

使用TMM（trimmed mean of M-values）算法，利用edgeR中函数calNormFactors()

标准化用到的normalisation factors 就在DEGList中，x$samples$norm.factors.调取

x <- calcNormFactors(x, method = "TMM")
x$samples$norm.factors## [1] 0.896 1.035 1.044 1.041 1.032 0.922 0.984 1.083 0.979

画一个箱线图可以看到标准化前后差异【模拟数据】

#模拟一个数据x2 <- x
x2$samples$norm.factors <- 1
x2$counts[,1] <- ceiling(x2$counts[,1]*0.05) #第一个样本count缩小到原来5%x2$counts[,2] <- x2$counts[,2]*5 # 第二个样本扩大到原来5倍#画图par(mfrow=c(1,2))
lcpm <- cpm(x2, log=TRUE)
boxplot(lcpm, las=2, col=col, main="")
title(main="A. Example: Unnormalised data",ylab="Log-cpm")
x2 <- calcNormFactors(x2)
x2$samples$norm.factors## [1] 0.0547 6.1306 1.2293 1.1705 1.2149 1.0562 1.1459 1.2613 1.1170lcpm <- cpm(x2, log=TRUE)
boxplot(lcpm, las=2, col=col, main="")
title(main="B. Example: Normalised data",ylab="Log-cpm")

箱线判标准

作者：刘小泽
链接：https://www.jianshu.com/p/f4b618354dc2