2019年12月19日星期四

生信人的20个R语言习题及其答案-土豆学习笔记



YTHunder是一个免费增加YOUTUBE观看次数的网站， 使用到现在三年多了，每天10万人同时在线看对方的影片。 而YTHunder可以提供的服务有： YOUTUBE观看次数提升，YOUTUBE订阅增长，YOUTUBE喜欢数上升。赶快注册使用吧。

生信人的20个R语言习题及其答案-土豆学习笔记

生信人的20个R语言习题 http://www.bio-info-trainee.com/3409.html
生信人的20个R语言习题 答案 http://www.bio-info-trainee.com/3415.html
参考答案：
https://cldiao.github.io/2018/09/27/R%E8%AF%AD%E8%A8%8020%E9%A2%98/
http://rvdsd.top/2018/08/30/R/20%E4%B8%AAR%E8%AF%AD%E8%A8%80%E4%B9%A0%E9%A2%98/
https://www.jianshu.com/p/788010093c90

1. 安装一些R包：

数据包： ALL, CLL, pasilla, airway
软件包：limma，DESeq2，clusterProfiler
工具包：reshape2
绘图包：ggplot2
不同领域的R包使用频率不一样，在生物信息学领域，尤其需要掌握bioconductor系列包。

if(F){  source("http://bioconductor.org/biocLite.R")  options("repos" = c(CRAN="https://mirrors.tuna.tsinghua.edu.cn/CRAN/"))  options(BioC_mirror="http://mirrors.ustc.edu.cn/bioc/")#修改镜像，安装会加速  BiocManager::install("clusterProfiler")  BiocManager::install("ComplexHeatmap")  BiocManager::install("maftools")  BiocManager::install("ggplot2")  BiocManager::install("jmzeng1314/biotrainee")  }  #或者如下：  source("https://bioconductor.org/biocLite.R")  options(BioC_mirror="http://mirrors.ustc.edu.cn/bioc/")  BiocManager::install(c('ALL','CLL','pasilla','clusterProfiler'))   BiocManager::install(c('airway','DESeq2','edgeR','limma'))  install.packages("reshape2", "ggplot2")

2.了解ExpressionSet对象

比如CLL包里面就有data(sCLLex) ，找到它包含的元素，提取其表达矩阵(使用exprs函数)，查看其大小

  1. 参考：http://www.bio-info-trainee.com/bioconductor_China/software/limma.html
  2. 参考：https://github.com/bioconductor-china/basic/blob/master/ExpressionSet.md 
suppressPackageStartupMessages(library(CLL))  data(sCLLex)  exprSet=exprs(sCLLex)  ##sCLLex是依赖于CLL这个package的一个对象  samples=sampleNames(sCLLex)  pdata=pData(sCLLex)  group_list=as.character(pdata[,2])  dim(exprSet)  # [1] 12625    22  exprSet[1:5,1:5]  #            CLL11.CEL CLL12.CEL CLL13.CEL CLL14.CEL CLL15.CEL  # 1000_at    5.743132  6.219412  5.523328  5.340477  5.229904  # 1001_at    2.285143  2.291229  2.287986  2.295313  2.662170  # 1002_f_at  3.309294  3.318466  3.354423  3.327130  3.365113  # 1003_s_at  1.085264  1.117288  1.084010  1.103217  1.074243  # 1004_at    7.544884  7.671801  7.474025  7.152482  6.902932

3.了解 str,head,help函数，作用于 第二步提取到的表达矩阵

str(exprSet)  # str: Compactly display the internal structure of an R object, a diagnostic function and an alternative to summary (and to some extent, dput).  head(exprSet)

4. 安装并了解 hgu95av2.db 包,看看 ls("package:hgu95av2.db") 后 显示的那些变量

hgu95av2.db是一个注释包，它为hgu95av2平台的芯片提供注释，这个包中有很多注释文件，如下所示：

BiocManager::install("hgu95av2.db")  library(hgu95av2.db)  ls("package:hgu95av2.db")  #[1] "hgu95av2"              "hgu95av2.db"           "hgu95av2_dbconn"       "hgu95av2_dbfile"       "hgu95av2_dbInfo"       "hgu95av2_dbschema"       [7] "hgu95av2ACCNUM"        "hgu95av2ALIAS2PROBE"   "hgu95av2CHR"           "hgu95av2CHRLENGTHS"    "hgu95av2CHRLOC"        "hgu95av2CHRLOCEND"      [13] "hgu95av2ENSEMBL"       "hgu95av2ENSEMBL2PROBE" "hgu95av2ENTREZID"      "hgu95av2ENZYME"        "hgu95av2ENZYME2PROBE"  "hgu95av2GENENAME"       [19] "hgu95av2GO"            "hgu95av2GO2ALLPROBES"  "hgu95av2GO2PROBE"      "hgu95av2MAP"           "hgu95av2MAPCOUNTS"     "hgu95av2OMIM"           [25] "hgu95av2ORGANISM"      "hgu95av2ORGPKG"        "hgu95av2PATH"          "hgu95av2PATH2PROBE"    "hgu95av2PFAM"          "hgu95av2PMID"           [31] "hgu95av2PMID2PROBE"    "hgu95av2PROSITE"       "hgu95av2REFSEQ"        "hgu95av2SYMBOL"        "hgu95av2UNIGENE"       "hgu95av2UNIPROT"

5. 理解 head(toTable(hgu95av2SYMBOL)) 的用法，找到 TP53 基因对应的探针ID

?hgu95av2SYMBOL  ?toTable  summary(hgu95av2SYMBOL)  #SYMBOL map for chip hgu95av2 (object of class "ProbeAnnDbBimap")  |  | Lkeyname: probe_id (Ltablename: probes)  |    Lkeys: "1000_at", "1001_at", ... (total=12625/mapped=11460)  |  | Rkeyname: symbol (Rtablename: gene_info)  |    Rkeys: "A1BG", "A2M", ... (total=61050/mapped=8585)  |  | direction: L --> R    ids

hug95av2SYMBOL是一个R对象，它提供的是芯片生产厂家与基因缩写之间的映射信息。这个映射的信息主要依据Entrez Gene数据库。现在我们通过mappedkeys()这个函数，得到映射到基因上的探针信息。

6.理解探针与基因的对应关系，总共多少个基因，基因最多对应多少个探针，是哪些基因，是不是因为这些基因很长，所以在其上面设计多个探针呢？

length(unique(ids$symbol))  # [1] 8585  tail(sort(table(ids$symbol)))  #YME1L1  GAPDH INPP4A    MYB PTGER3  STAT1   #     7      8      8      8      8      8   table(sort(table(ids$symbol)))  #  1    2    3    4    5    6    7    8   # 6555 1428  451  102   22   16    6    5
image.png

不管是Agilent芯片，还是Affymetrix芯片，上面设计的探针都非常短。最长的如Agilent芯片上的探针，往往都是60bp，但是往往一个基因的长度都好几Kb。因此一般多个探针对应一个基因，取最大表达值探针来作为基因的表达量。

7.第二步提取到的表达矩阵是12625个探针在22个样本的表达量矩阵，找到那些不在 hgu95av2.db 包收录的对应着SYMBOL的探针。

提示：有1165个探针是没有对应基因名字的。

%in% 逻辑判断

用法 a %in% table
a值是否包含于table中，为真输出TURE，否者输出FALSE

table(rownames(exprSet)) %in% ids$probe_id  # %in% is a more intuitive interface as a binary operator, which returns a logical vector indicating if there is a match or not for its left operand.  n_exprSet

8.过滤表达矩阵，删除那1165个没有对应基因名字的探针。

方法1：%in% 逻辑判断

exprSet

方法2 mappedkeys() 映射关系

 length(hgu95av2SYMBOL)  [1] 12625  probe_map

mappedkeys用法示例，帮助理解。

library(hgu95av2.db)    x

9.整合表达矩阵，多个探针对应一个基因的情况下，只保留在所有样本里面平均表达量最大的那个探针。

A. 提示，理解 tapply,by,aggregate,split 函数 , 首先对每个基因找到最大表达量的探针。
B. 然后根据得到探针去过滤原始表达矩阵

ids=ids[match(rownames(exprSet),ids$probe_id),]  head(ids)  exprSet[1:5,1:5]  tmp = by(exprSet,ids$symbol,function(x) rownames(x)[which.max(rowMeans(x))] )  probes = as.character(tmp)  exprSet=exprSet[rownames(exprSet) %in% probes ,]  dim(exprSet)  View(head(exprSet))

10.把过滤后的表达矩阵更改行名为基因的symbol，因为这个时候探针和基因是一对一关系了。

rownames(exprSet)=ids[match(rownames(exprSet),ids$probe_id),2]  exprSet[1:5,1:5]  #  CLL11.CEL CLL12.CEL CLL13.CEL CLL14.CEL CLL15.CEL  # MAPK3    5.743132  6.219412  5.523328  5.340477  5.229904  # TIE1     2.285143  2.291229  2.287986  2.295313  2.662170  # CYP2C19  3.309294  3.318466  3.354423  3.327130  3.365113  # CXCR5    1.085264  1.117288  1.084010  1.103217  1.074243  # CXCR5    7.544884  7.671801  7.474025  7.152482  6.902932    library(reshape2)  exprSet_L=melt(exprSet)  colnames(exprSet_L)=c('probe','sample','value')  exprSet_L$group=rep(group_list,each=nrow(exprSet))  head(exprSet_L)  #  probe    sample    value    group  #1   MAPK3 CLL11.CEL 5.743132 progres.  #2    TIE1 CLL11.CEL 2.285143 progres.  #3 CYP2C19 CLL11.CEL 3.309294 progres.  #4   CXCR5 CLL11.CEL 1.085264 progres.  #5   CXCR5 CLL11.CEL 7.544884 progres.  #6   DUSP1 CLL11.CEL 5.083793 progres.  View(head(exprSet))

11. 对第10步得到的表达矩阵进行探索，先画第一个样本的所有基因的表达量的boxplot,hist,density ， 然后画所有样本的 这些图

  1. 参考：http://bio-info-trainee.com/tmp/basic_visualization_for_expression_matrix.html
  2. 理解ggplot2的绘图语法，数据和图形元素的映射关系
### ggplot2  library(ggplot2)  p=ggplot(exprSet_L,aes(x=sample,y=value,fill=group))+geom_boxplot()  print(p)  p=ggplot(exprSet_L,aes(x=sample,y=value,fill=group))+geom_violin()  print(p)  p=ggplot(exprSet_L,aes(value,fill=group))+geom_histogram(bins = 200)+facet_wrap(~sample, nrow = 4)  print(p)  p=ggplot(exprSet_L,aes(value,col=group))+geom_density()+facet_wrap(~sample, nrow = 4)  print(p)  p=ggplot(exprSet_L,aes(value,col=group))+geom_density()  print(p)  p=ggplot(exprSet_L,aes(x=sample,y=value,fill=group))+geom_boxplot()  p=p+stat_summary(fun.y="mean",geom="point",shape=23,size=3,fill="red")  p=p+theme_set(theme_set(theme_bw(base_size=20)))  p=p+theme(text=element_text(face='bold'),axis.text.x=element_text(angle=30,hjust=1),axis.title=element_blank())  print(p)
image.png

image.png

image.png

image.png

image.png

image.png

12.理解统计学指标mean,median,max,min,sd,var,mad并计算出每个基因在所有样本的这些统计学指标，最后按照mad值排序，取top 50 mad值的基因，得到列表。

注意：这个题目出的并不合规，请仔细看。

g_mean

13.根据第12步骤得到top 50 mad值的基因列表来取表达矩阵的子集，并且热图可视化子表达矩阵。试试看其它5种热图的包的不同效果。

## heatmap  library(pheatmap)  choose_gene=names(tail(sort(apply(exprSet,1,mad)),50))  choose_matrix=exprSet[choose_gene,]  choose_matrix=t(scale(t(choose_matrix)))  pheatmap(choose_matrix)
image.png

14.取不同统计学指标mean,median,max,mean,sd,var,mad的各top50基因列表，使用UpSetR包来看他们之间的overlap情况。

## UpSetR  # https://cran.r-project.org/web/packages/UpSetR/README.html  library(UpSetR)  g_all
image.png

15.在第二步的基础上面提取CLL包里面的data(sCLLex) 数据对象的样本的表型数据。

pdata=pData(sCLLex)  group_list=as.character(pdata[,2])  group_list  # [1] "progres." "stable"   "progres." "progres." "progres." "progres." "stable"   "stable"   "progres." "stable"   "progres." "stable"   "progres." "stable"    # [15] "stable"   "progres." "progres." "progres." "progres." "progres." "progres." "stable"    dim(exprSet)  # [1] 8585   22  exprSet[1:5,1:5]  #      CLL11.CEL CLL12.CEL CLL13.CEL CLL14.CEL CLL15.CEL  MAPK3    5.743132  6.219412  5.523328  5.340477  5.229904  TIE1     2.285143  2.291229  2.287986  2.295313  2.662170  CYP2C19  3.309294  3.318466  3.354423  3.327130  3.365113  CXCR5    7.544884  7.671801  7.474025  7.152482  6.902932  DUSP1    5.083793  7.610593  7.631311  6.518594  5.059087

16.对所有样本的表达矩阵进行聚类并且绘图，然后添加样本的临床表型数据信息(更改样本名)

## hclust  colnames(exprSet)=paste(group_list,1:22,sep='')  # Define nodePar  nodePar
image.png

17.对所有样本的表达矩阵进行PCA分析并且绘图，同样要添加表型信息。

# install.packages("ggfortify")  library(ggfortify)  exprSet
image.png

18.根据表达矩阵及样本分组信息进行批量T检验，得到检验结果表格

## t.test  dat = exprSet  group_list=as.factor(group_list)  group1 = which(group_list == levels(group_list)[1])  group2 = which(group_list == levels(group_list)[2])  dat1 = dat[, group1]  dat2 = dat[, group2]  dat = cbind(dat1, dat2)  pvals = apply(exprSet, 1, function(x){    t.test(as.numeric(x)~group_list)$p.value  })  p.adj = p.adjust(pvals, method = "BH")  avg_1 = rowMeans(dat1)  avg_2 = rowMeans(dat2)  log2FC = avg_2-avg_1  DEG_t.test = cbind(avg_1, avg_2, log2FC, pvals, p.adj)  DEG_t.test=DEG_t.test[order(DEG_t.test[,4]),]  DEG_t.test=as.data.frame(DEG_t.test)  head(DEG_t.test)  #           avg_1    avg_2     log2FC        pvals     p.adj  36129_at 7.875615 8.791753  0.9161377 1.629755e-05 0.2057566  37676_at 6.622749 7.965007  1.3422581 4.058944e-05 0.2436177  33791_at 7.616197 5.786041 -1.8301554 6.965416e-05 0.2436177  39967_at 4.456446 2.152471 -2.3039752 8.993339e-05 0.2436177  34594_at 5.988866 7.058738  1.0698718 9.648226e-05 0.2436177  32198_at 4.157971 3.407405 -0.7505660 2.454557e-04 0.3516678

19.使用limma包对表达矩阵及样本分组信息进行差异分析，得到差异分析表格，重点看logFC和P值，画个火山图(就是logFC和-log10(P值)的散点图)。

# DEG by limma  suppressMessages(library(limma))  design  logFC_cutoff,                                ifelse(DEG$logFC > logFC_cutoff ,'UP','DOWN'),'NOT')  )  this_tile
image.png

image.png

20.对T检验结果的P值和limma包差异分析的P值画散点图，看看哪些基因相差很大。

### different P values  head(nrDEG)  head(DEG_t.test)  DEG_t.test=DEG_t.test[rownames(nrDEG),]  plot(DEG_t.test[,3],nrDEG[,1])  plot(DEG_t.test[,4],nrDEG[,4])  plot(-log10(DEG_t.test[,4]),-log10(nrDEG[,4]))
image.png

image.png

image.png
rownames(exprSet)=ids[match(rownames(exprSet),ids$probe_id),2]  exprSet[1:5,1:5]  exprSet['GAPDH',]  exprSet['ACTB',]  exprSet['DLEU1',]  library(ggplot2)  library(ggpubr)  my_comparisons
image.png
## heatmap  library(pheatmap)  choose_gene=head(rownames(nrDEG),25)  choose_matrix=exprSet[choose_gene,]  choose_matrix=t(scale(t(choose_matrix)))  pheatmap(choose_matrix)
image.png

生信技能树公益视频合辑：学习顺序是linux，r，软件安装，geo，小技巧，ngs组学！
B站链接：https://m.bilibili.com/space/338686099
YouTube链接：https://m.youtube.com/channel/UC67sImqK7V8tSWHMG8azIVA/playlists
生信工程师入门最佳指南：https://mp.weixin.qq.com/s/vaX4ttaLIa19MefD86WfUA
学徒培养：https://mp.weixin.qq.com/s/3jw3_PgZXYd7FomxEMxFmw
生信技能树 - 简书 https://www.jianshu.com/u/d645f768d2d5

发帖者 时间：

没有评论:

发表评论

订阅： 博文评论 (Atom)