生信菜鸟团 » 流程 http://www.bio-info-trainee.com 欢迎去论坛biotrainee.com留言参与讨论，或者关注同名微信公众号biotrainee Sat, 28 Jun 2025 14:30:13 +0000 zh-CN hourly 1 https://wordpress.org/?v=4.1.33 一个表达芯片数据处理实例 http://www.bio-info-trainee.com/1024.html http://www.bio-info-trainee.com/1024.html#comments Fri, 25 Sep 2015 14:53:39 +0000 http://www.bio-info-trainee.com/?p=1024 Continue reading →]]> 这个实例上部分包括：
如何用R包下载GEO数据(只限单一平台，其余平台需要修改下面的代码)
如何对GEO的芯片数据归一化并且得到表达量矩阵，
如何用limma包做差异分析，
对找到的差异基因如何做GO和KEGG注释

首先下载两个GEO数据：
平台是：Affymetrix U133 gene chips
67 diseased triple negative breast cancer samples（GSE31519 ）and 42 control samples (GSE20437）
都是表达量数据，同一种芯片。分成两组，正好做差异表达。
数据来源的文献是：
文章title：A clinically relevant gene signature in triple negative and basal-like breast cancer
结论（We describe a ratio of high B-cell presence and low IL-8 activity as a powerful new prognostic marker for TNBC. ）
Platform: GPL96 67 Samples
Download data: GEO (CEL, TXT)
SeriesAccession: GSE31519ID: 200031519
文章title：Histologically normal epithelium from breast cancer patients and cancer-free prophylactic mastectomy patient

Platform: GPL96 67 Samples
Download data: GEO (CEL, TXT)
SeriesAccession: GSE31519  ID: 200031519

Platform: GPL96 Series: GSE20437   42 Samples

Download data: GEO (CEL)
DataSetAccession: GDS3716  ID: 3716
我首先用R的GEOquery包来下载。(其实你完全可以直接去GEO网站下载数据，然后解压的)
suppressMessages(library(GEOquery))
setwd("D:\\test_analysis\\TNBC")
gse31519=getGEO("GSE31519",GSEMatrix = T,destdir = "./")
getGEOSuppFiles("GSE31519",baseDir = "./")
gse31519=getGEO("GSE20437",GSEMatrix = T,destdir = "./")
getGEOSuppFiles("GSE20437",baseDir = "./")
这样下载之后的数据都存在D:\\test_analysis\\TNBC下面
接下来我们就用affy包和limma来进行差异分析：
library(affy)
library(limma)
affy.data=ReadAffy(celfile.path="./cel_files")
请先搞清楚，ReadAffy 这个函数的用法！

当前工作目录下面有没有cel_files文件夹?

cel_files文件夹下面有没有文件？
eset.rma=rma(affy.data)
exprSet=exprs(eset.rma)
write.table(exprSet,"expr_rma_matrix.txt",quote=F,sep="\t")
group=factor(c(rep("control",42),rep("case",67)))
design = model.matrix(~0+group)
colnames(design)=c("case","control")
rownames(design)=sampleNames(affy.data)
fit=lmFit(exprSet,design)
cont.matrix = makeContrasts(contrasts="case-control",levels=design)
fit2=contrasts.fit(fit,cont.matrix)
fit2=eBayes(fit2)
diff_dat=topTable(fit2,coef=1,n=Inf)
write.table(diff_dat,"diff_dat.txt",quote=F)
 
这样得到的diff_dat就是我们差异分析的结果啦
we choose the log fold cut off change to be “2” to get a manageable set of genes.
原文说：we were able to get a list of 2567 genes after removing the duplicates and the not available genes
我们仅仅根据一个标准来挑选差异基因， the log fold cut off change to be “2”，我只挑出来了782个探针

接下来对这些探针进行注释，得到基因名，我这里用biomart包来进行注释
我们的平台是：Affymetrix U133 gene chips，虽然有22283个探针，但是只有13908个基因
所以代码如下：
ensembl=useMart("ensembl",dataset="hsapiens_gene_ensembl")
gene_probe=getBM(attributes=c("hgnc_symbol","affy_hg_u133a"),filter="affy_hg_u133a",value=rownames(diff_dat),mart=ensembl)
diff_probe=rownames(diff_dat[abs(diff_dat[,1])>2,])
diff_gene=gene_probe[match(diff_probe,gene_probe[,2]),1]
diff_gene=na.omit(diff_gene)
diff_gene=unique(diff_gene)
length(diff_gene)
这样会得到604个差异基因
然后我做一下GO和KEGG的富集分析
gene_entrez=getBM(attributes=c("hgnc_symbol","entrezgene"),filter="hgnc_symbol",value=diff_gene,mart=ensembl)
require(DOSE)
require(clusterProfiler)
gene_entrez=na.omit(gene_entrez)
gene=as.character(gene_entrez[,2])
ego <- enrichGO(gene=gene,organism="human",ont="CC",pvalueCutoff=0.01,readable=TRUE)
ekk <- enrichKEGG(gene=gene,organism="human",pvalueCutoff=0.01,readable=TRUE)
write.csv(summary(ekk),"KEGG-enrich.csv",row.names =F)
write.csv(summary(ego),GO-enrich.csv,row.names =F)

懒得上传图片了，大家可以用同样的代码自己实现所有的流程

]]> http://www.bio-info-trainee.com/1024.html/feed 0 RNA-seq流程需要进化啦！ http://www.bio-info-trainee.com/1022.html http://www.bio-info-trainee.com/1022.html#comments Fri, 25 Sep 2015 14:46:21 +0000 http://www.bio-info-trainee.com/?p=1022 Continue reading →]]> Tophat 首次被发表已经是6年前

Cufflinks也是五年前的事情了

Star的比对速度是tophat的50倍，hisat更是star的1.2倍。

stringTie的组装速度是cufflinks的25倍，但是内存消耗却不到其一半。

Ballgown在差异分析方面比cuffdiff更高的特异性及准确性，且时间消耗不到cuffdiff的千分之一

Bowtie2+eXpress做质量控制优于tophat2+cufflinks和bowtie2+RSEM

Sailfish更是跳过了比对的步骤，直接进行kmer计数来做QC，特异性及准确性都还行，但是速度提高了25倍

kallisto同样不需要比对，速度比sailfish还要提高5倍！！！

参考：https://speakerdeck.com/stephenturner/rna-seq-qc-and-data-analysis-using-the-tuxedo-suite

]]> http://www.bio-info-trainee.com/1022.html/feed 0 搜索学习其他学者的RNA数据处理流程（包括原始数据、脚本、中间文件） http://www.bio-info-trainee.com/32.html http://www.bio-info-trainee.com/32.html#comments Sat, 07 Mar 2015 11:52:20 +0000 http://www.bio-info-trainee.com/?p=32 Continue reading →]]> 搜索其他学者的RNA数据处理流程（包括原始数据、脚本、中间文件）

一：原始数据

是谷歌里面无意中搜索到的，是某个物种的RNA数据，不是很大，但是里面有所有的分析流程，非常方便，对原始reads进行了组装，和注释。

http://moana.dnsalias.org/~sgeib/Anth_RNAseq/Run2.1/RawData/

打开网址可以看到raw data的下载链接

QQ截图20150309220349

 

二：中间文件

可以清楚的看到所有的流程操作手册

搜索其他学者的RNA数据处理流程328

要是有空，可以对它们做一次检验，需要的空间不大40多个G的空间即可。

它是通过solexaQA套件中的两个perl程序来过滤reads的

它过滤之前和过滤之后都用来fastqc来进行质控画图

过滤之后的数据量如图所示

对这些reads进行trinity组装好得到转录本信息，是312M的数据量

搜索其他学者的RNA数据处理流程870

转录本的统计信息如下

搜索其他学者的RNA数据处理流程1079

 

三：处理流程

搜索其他学者的RNA数据处理流程1092

四：所有的脚本，有兴趣的同学可以自行下载慢慢解读

搜索其他学者的RNA数据处理流程1082

]]> http://www.bio-info-trainee.com/32.html/feed 0