log与否会改变rpkm形式表达矩阵top的mad基因列表

Posted on by

我在生信技能树多次写教程分享WGCNA的实战细节，见：

  • 一文看懂WGCNA 分析(2019更新版)
  • 通过WGCNA作者的测试数据来学习
  • 重复一篇WGCNA分析的文章（代码版）
  • 重复一篇WGCNA分析的文章（解读版）（逆向收费读文献2019-19）
  • 关键问题答疑：WGCNA的输入矩阵到底是什么格式
    提到过，只需要基因的表达量是适合计算相关性的即可，如果是 原始 counts值，可以直接转为 log(cpm+1) 的格式 ，更为重要的其实是挑选多少个基因进入后续的wgcna流程。但，实际上不同归一化方法很明显会影响基因表达量的相关性，rpkm,fpkm,tmp,counts以及它们的log与否，都是有影响的。不知道有没有人愿意来探索一下，到底哪一种形式最适合做WGCNA分析呢，评价指标是什么，金标准又是什么？这样的探索能算一个科研课题吗？能发SCI文章吗，如果做完了并且勇于写出来？
    我相信，如果仅仅是为了发一个公众号，大家是不可能抽出时间来的！

    不同归一化方式影响很多统计学指标

    不仅仅是会影响基因之间的表达量相关性，而且通常我们的做wgcna会根据mad值来挑选top5000或者10000的基因，log与否的表达矩阵就会影响mad值，而且还影响了mad值排序，影响排序就影响了从top MAD筛选基因这个策略。
    比如，如下代码：
    ```r
    rm(list = ls()) ## 魔幻操作，一键清空~
    options(stringsAsFactors = F)#在调用as.data.frame的时，将stringsAsFactors设置为F
    expr <- read.table(‘expr_rpkm.txt’,
    sep = ‘\t’,header = T,row.names = 1)
    expr[1:4,1:4]
    g1=rownames(expr)[order(apply(expr,1,mad),
    decreasing = T)[1:5000]]

expr=log2(expr+1)
g2=rownames(expr)[order(apply(expr,1,mad),
decreasing = T)[1:5000]]
length(intersect(g1,g2))

3333 个基因是overlap的

```
很明显，log前后的表达矩阵的top 5000的MAD基因，虽然说有3333 个基因是overlap的，比例很高。
但是毕竟差异也不小，就给人一种感觉，生物信息学分析是不靠谱的。
换一个统计学方法，换一个阈值，换一个人来做，就不一样了！
你觉得呢？

WGCNA免费做

我们推文里面提到的各种各样的数据分析环节都是我非常有经验的，比如我在lncRNA的一些基础知识 ，和lncRNA芯片的一般分析流程 介绍过的那些图表，以及下面的目录的分析内容 对我来说是举手之劳，希望可以帮助到你！

​

Comments are closed.