什么?你做的差异基因方法不合适?
单细胞系列教程
收藏 北大生信平台” 单细胞分析、染色质分析” 视频和PPT分享
Science: 小鼠肾脏单细胞转录组+突变分析揭示肾病潜在的细胞靶标
10X单细胞测序分析软件:Cell ranger,从拆库到定量
Hemberg-lab单细胞转录组数据分析(一)- 引言
Hemberg-lab单细胞转录组数据分析(二)- 实验平台
Hemberg-lab单细胞转录组数据分析(三)- 原始数据质控
Hemberg-lab单细胞转录组数据分析(四)- 文库拆分和细胞鉴定
Hemberg-lab单细胞转录组数据分析(五)- STAR, Kallisto定量
Hemberg-lab单细胞转录组数据分析(六)- 构建表达矩阵,UMI介绍
Hemberg-lab单细胞转录组数据分析(七)- 导入10X和SmartSeq2数据Tabula Muris
Hemberg-lab单细胞转录组数据分析(八)- Scater包输入导入和存储
Hemberg-lab单细胞转录组数据分析(九)- Scater包单细胞过滤
Hemberg-lab单细胞转录组数据分析(十)- Scater基因评估和过滤
Hemberg-lab单细胞转录组数据分析(十一)- Scater单细胞表达谱PCA可视化
Hemberg-lab单细胞转录组数据分析(十二)- Scater单细胞表达谱tSNE可视化
单细胞分群后,怎么找到Marker基因定义每一类群?
DESeq2差异基因分析和批次效应移除
如何火眼金睛鉴定那些单细胞转录组中的混杂因素
表达数据标准化理论
简介
上一步,我们鉴定出了重要的干扰因素和解释变量可能对表达定量带来影响。scater
允许在后续统计模型中引入这些变量来屏蔽技术操作带来的影响,或者可以给函数normaliseExprs()
提供一个设计矩阵design matrix
来直接移除干扰因素的影响。在这一章先不涉及这些。
相反,我们探索下简单的量化因子size-factor
标准化如何在校正文库大小的同时移除部分干扰因素引入的检测偏差。
文库大小
scRNA-seq
数据的文库大小变化很大是因为混样测序,来源于每个细胞的总reads叔差别较大。一些定量方法,如Cufflinks
, RSEM
) 在估算基因表达时已经考虑了文库大小的影响因此不需要这一步标准化。
然而,如果采用的是其它的定量方法就必须首先通过某种方法估算一起比较的每个样品的文库大小也称为量化因子 (ormalization factor
),然后原始表达量乘以或除以量化因子矩阵获得标准化后的表达结果。很多开发出来用于bulk RNA-seq
的结果,也可以用于scRNA-seq
,比如UQ, SF, CPM, RPKM, FPKM, TPM.
标准化方法
CPM
最简单的标准化方式是原始reads除以样品总的可用reads数乘以1,000,000
获得每百万reads的count数 (counts per million(__CPM__)。因为考虑的是总的细胞内的reads,计算总的reads数时只考虑内源性基因而排除
spike-ins部分的reads。
CPM计算的R代码是:
calc_cpm <- function (expr_mat, spikes = NULL){norm_factor <- colSums(expr_mat[-spikes,])return(t(t(expr_mat)/norm_factor)) * 10^6
}
这种计算方式的缺点是容易受到极高表达且在不同样品中存在差异表达的基因的影响;这些基因的打开或关闭会影响到细胞中总的分子数目,可能导致这些基因标准化之后就不存在表达差异了,而原本没有差异的基因标准化 之后却有差异了。
RPKM、FPKM和TPM是CPM按照基因或转录本长度归一化后的表达,也会受到这一影响。
为了解决这一问题,研究者提出了其它的标准化方法。
Relative Log Expression RLE (SF)
量化因子 (size factor, SF)是由DESeq
[@Anders2010-jr]提出的。其方法是首先计算每个基因在所有样品中表达的几何平均值。每个细胞的量化因子(size factor)是所有基因与其在所有样品中的表达值的几何平均值的比值的中位数。由于几何平均值的使用,只有在所有样品中表达都不为0的基因才能用来计算,所以不适合大批量低深度的scRNA-seq
数据。edgeR
& scater
把这种方法称为”relative log expression” (RLE)。其在R
中计算函数是:
calc_sf <- function (expr_mat, spikes=NULL){geomeans <- exp(rowMeans(log(expr_mat[-spikes,])))SF <- function(cnts){median((cnts/geomeans)[(is.finite(geomeans) & geomeans >0)])}norm_factor <- apply(expr_mat[-spikes,],2,SF)#return(t(t(expr_mat)/norm_factor))return(norm_factor)
}
上四分位数 (upperquartile, UQ)
上四分位数 (upperquartile, UQ)是样品中所有基因的表达除以该样品处于上四分位数的基因的表达值 [@Bullard2010-eb]。同时为了保证绝对表达水平的相对稳定,计算得到的上四分位数值要除以所有样品中上四分位数值的中位数。对低深度scRNA-seq
数据,这个方法的一个缺点是可能处于上四分位数的基因的表达值为0或接近0。这个限制可以通过采用更高的分位数如99%分位数 (scater的默认值)或排除表达值为0的基因后剩余基因的上四分位数。示例如下:
calc_uq <- function (expr_mat, spikes=NULL){UQ <- function(x) {quantile(x[x>0],0.75)}uq <- unlist(apply(expr_mat[-spikes,],2,UQ))norm_factor <- uq/median(uq)#return(t(t(expr_mat)/norm_factor))return(norm_factor)
}
TMM (M-值的加权截尾均值)
TMM是M-值的加权截尾均值 [@Robinson2010-hz]。选定一个样品为参照,其它样品中基因的表达相对于参照样品中对应基因表达倍数的log2值定义为M-值。随后去除M-值中最高和最低的30%,剩下的M值计算加权平均值。每一个非参照样品的基 因表达值都乘以计算出的TMM。这个方法的两个可能问题是,一是Trim后没有足够的非0基因,另外该方法假设大部分基因的表达是没有差异的。
scran
scran
采用为scRNA-seq
设计的CPM方法的变种 [@LLun2016-pq]. 该方法通过把多组细胞合并到一起来屏蔽较多的0值问题,然后采用类似_CPM的方式计算标准化因子。因为一个细胞会出现在多个合并的集合里面 (pool),细胞特异的因子可以采用线性代数从非特异性因子中去卷积计算得来。(Since each cell is found in many different pools, cell-specific factors can be deconvoluted from the collection of pool-specific factors using linear algebra.)
Downsampling
最后一个校正文库大小的方式是对表达矩阵进行向下抽样使得每个细胞检测到的总分子数相同。这个方法的优势是计算过程中会引入0值进而消除不同细胞检测到的基因数不同引入的偏差。该方法最大的缺点是其非确定性,每次downsampling
获得的表达矩阵都会有些细微不同。通常需要重复多次保证结果的稳定性。其操作代码是:
Down_Sample_Matrix <- function (expr_mat)
{min_lib_size <- min(colSums(expr_mat))down_sample <- function(x) {prob <- min_lib_size/sum(x)return(unlist(lapply(x, function(y) {rbinom(1, y, prob)})))}down_sampled_mat <- apply(expr_mat, 2, down_sample)return(down_sampled_mat)
}
标准化效果评估
我们将通过PCA
方法和计算样品范围的 relative log expression (scater::plotRLE()
)来比较不同标准化方法的效果。含有更多reads的细胞,其大部分基因的表达比所有细胞的中值表达水平也更高,得到RLE值为正值;含有更少reads的细胞,其大部分基因的表达比所有细胞的中值表达水平更低,得到的RLE为负值。而标准化后的RLE
值应该为0。计算_RLE_
的函数如下:
calc_cell_RLE <- function (expr_mat, spikes = NULL)
{RLE_gene <- function(x) {if (median(unlist(x)) > 0) {log((x + 1)/(median(unlist(x)) + 1))/log(2)}else {rep(NA, times = length(x))}}if (!is.null(spikes)) {RLE_matrix <- t(apply(expr_mat[-spikes, ], 1, RLE_gene))}else {RLE_matrix <- t(apply(expr_mat, 1, RLE_gene))}cell_RLE <- apply(RLE_matrix, 2, median, na.rm = T)return(cell_RLE)
}
注意 1: RLE, TMM, 和 UQ 量化因子方法是为bulk RNA-seq
开发的,依赖于实验条件,不一定适合scRNA-seq
数据,尤其是潜在假设不成立时。
注意 2: scater
提供了一个函数calcNormFactors
实现了几个文库大小标准化方法方便后续使用。
注意 3: edgeR
对一些标准化方法做了额外的调整使得它可能获得与原始方法不同的结果。edgeR
和scater
的”RLE”方法基于DESeq的量化因子方法,但可能计算结果会不同于DESeq
/DESeq2
包的estimateSizeFactorsForMatrix
计算的结果。另外,一些版本的edgeR
只有在所有细胞的lib.size
为设置为1时才计算标准化因子。
注意 4: CPM标准化使用的是scater
包的calculateCPM()
函数。scater
包的normaliseExprs()
函数用于 RLE, UQ 和 TMM 标准化计算。scran 标准化使用的是scran
包计算量化因子 (基于SingleCellExperiment
数据对象)和scater
包的normalize()
函数。所有标准化函数把计算结果存储到SCE
对象的logcounts
通道 (slot)。downsampling 标准化使用的是前面展示的方法。
标准化实战 (UMI)
继续使用tung
数据集进行后续分析:
library(scRNA.seq.funcs)
library(scater)
library(scran)
options(stringsAsFactors = FALSE)
set.seed(1234567)
# umi <- readRDS("tung/umi.rds")
# umi.qc <- umi[rowData(umi)$use, colData(umi)$use]
# endog_genes <- !rowData(umi.qc)$is_feature_controlumi <- readRDS("tung/umi.rds")
umi_endog_genes <- !rowData(umi)$is_feature_control
umi_endog <- umi[umi_endog_genes,]
umi.qc <- umi[rowData(umi)$use, colData(umi)$use]
umi_qc_endog_genes <- !rowData(umi.qc)$is_feature_control
umi.qc_endog <- umi.qc[umi_qc_endog_genes,]
原始值
umi.qc_endog <- runPCA(umi.qc_endog, exprs_values = "logcounts_raw")
scater::plotPCA(umi.qc_endog,by_exprs_values = "logcounts_raw",colour_by = "batch",size_by = "total_features_by_counts",shape_by = "individual"
)
# plotPCA(
# umi.qc[endog_genes, ],
# exprs_values = "logcounts_raw",
# colour_by = "batch",
# size_by = "total_features",
# shape_by = "individual"
# )
CPM
logcounts(umi.qc) <- log2(calculateCPM(umi.qc, use_size_factors = FALSE) + 1)scater::plotPCA(umi.qc[umi_qc_endog_genes,],by_exprs_values = "logcounts",colour_by = "batch",size_by = "total_features_by_counts",shape_by = "individual"
)
library(cowplot)
# plotRLE(
# umi.qc[endog_genes,],
# exprs_mats = list(Raw = "logcounts_raw", CPM = "logcounts"),
# exprs_logged = c(TRUE, TRUE),
# colour_by = "batch"
# )cpmlogcounts <- plotRLE(umi.qc[umi_qc_endog_genes,],exprs_values = "logcounts",exprs_logged = c(TRUE),colour_by = "batch"
) + ggtitle("Log CPM")rawlogcounts <- plotRLE(umi.qc[umi_qc_endog_genes,],exprs_values = "logcounts_raw",exprs_logged = c(TRUE),colour_by = "batch"
) + ggtitle("Raw log count")plot_grid(rawlogcounts, cpmlogcounts, nrow=2, ncol=1)
Size-factor (RLE)
# umi.qc <- normaliseExprs(
# umi.qc,
# method = "RLE",
# feature_set = umi_qc_endog_genes,
# return_log = TRUE,
# return_norm_as_exprs = TRUE
# )
sizeFactors(umi.qc) <- calc_sf(counts(umi.qc),spikes=rowData(umi.qc)$is_feature_control_ERCC)
umi.qc <- normalize(umi.qc)scater::plotPCA(umi.qc[umi_qc_endog_genes,],by_exprs_values = "logcounts",colour_by = "batch",size_by = "total_features_by_counts",shape_by = "individual"
)
rlelogcounts <- plotRLE(umi.qc[umi_qc_endog_genes,],exprs_values = "logcounts",exprs_logged = c(TRUE),colour_by = "batch"
) + ggtitle("RLE size factor")plot_grid(rawlogcounts, rlelogcounts, nrow=2, ncol=1)
Upperquantile
# umi.qc <- normaliseExprs(
# umi.qc,
# method = "upperquartile",
# feature_set = endog_genes,
# p = 0.99,
# return_log = TRUE,
# return_norm_as_exprs = TRUE
# )
sizeFactors(umi.qc) <- calc_uq(counts(umi.qc),spikes=rowData(umi.qc)$is_feature_control_ERCC)
umi.qc <- normalize(umi.qc)
plotPCA(umi.qc[umi_qc_endog_genes, ],colour_by = "batch",size_by = "total_features_by_counts",shape_by = "individual"
)
uqlogcounts <- plotRLE(umi.qc[umi_qc_endog_genes,],exprs_values = "logcounts",exprs_logged = c(TRUE),colour_by = "batch"
) + ggtitle("UQ")plot_grid(rawlogcounts, uqlogcounts, nrow=2, ncol=1)
TMM
umi.qc <- normaliseExprs(umi.qc,method = "TMM",feature_set = umi_qc_endog_genes,return_log = TRUE,return_norm_as_exprs = TRUE
)
plotPCA(umi.qc[umi_qc_endog_genes, ],colour_by = "batch",size_by = "total_features",shape_by = "individual"
)
plotRLE(umi.qc[umi_qc_endog_genes, ],exprs_mats = list(Raw = "logcounts_raw", TMM = "logcounts"),exprs_logged = c(TRUE, TRUE),colour_by = "batch"
)
scran
library(scran)
qclust <- quickCluster(umi.qc, min.size = 30)
umi.qc <- computeSumFactors(umi.qc, sizes = 15, clusters = qclust)
umi.qc <- normalize(umi.qc)
plotPCA(umi.qc[umi_qc_endog_genes, ],colour_by = "batch",size_by = "total_features_by_counts",shape_by = "individual"
)
scranlogcounts <- plotRLE(umi.qc[umi_qc_endog_genes,],exprs_values = "logcounts",exprs_logged = c(TRUE),colour_by = "batch"
) + ggtitle("Scran")plot_grid(rawlogcounts, scranlogcounts, nrow=2, ncol=1)
scran
有时会获得负或零量化因子,这将会严重干扰标准化后的表达矩阵,需要采用下面的方法确认没有问题:
summary(sizeFactors(umi.qc))
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.4671 0.7787 0.9483 1.0000 1.1525 3.1910
对这个数据集来说,量化因子是合理。如果计算时发现scran
给出的量化因子是非正值尝试增加cluster
和pool
的大小,直到获取正值。
Downsampling
logcounts(umi.qc) <- log2(Down_Sample_Matrix(counts(umi.qc)) + 1)
plotPCA(umi.qc[umi_qc_endog_genes, ],colour_by = "batch",size_by = "total_features_by_counts",shape_by = "individual"
)
dslogcounts <- plotRLE(umi.qc[umi_qc_endog_genes,],exprs_values = "logcounts",exprs_logged = c(TRUE),colour_by = "batch"
) + ggtitle("Downsampling")plot_grid(rawlogcounts, dslogcounts, nrow=2, ncol=1)
易生信系列培训课程,扫码获取免费资料
更多阅读
画图三字经 生信视频 生信系列教程
心得体会 TCGA数据库 Linux Python
高通量分析 免费在线画图 测序历史 超级增强子
生信学习视频 PPT EXCEL 文章写作 ggplot2
海哥组学 可视化套路 基因组浏览器
色彩搭配 图形排版 互作网络
自学生信
后台回复“生信宝典福利第一波”或点击阅读原文获取教程合集
什么?你做的差异基因方法不合适?相关推荐
- DESeq2差异基因分析和批次效应移除
差异基因鉴定 基因表达标准化 不同样品的测序量会有差异,最简单的标准化方式是计算 counts per million (CPM),即原始reads count除以总reads数乘以1,000,000 ...
- 基于TCGA数据库的差异基因分析实现
1.数据下载 1.1 网页下载 1.2 TCGABiolinks下载 setwd("D:\Bioinformatics data analysis") if (!requireNa ...
- 通过整理TCGA数据,探索某癌症的癌组织和正常组织的差异基因。
目录 实验设计 TCGA数据库简介 TCGA数据的获取 数据预处理 三阴性乳腺癌患者(TNBC)筛选 读取文件 列出三项指标的列表,方便筛选 TNBC的筛选 基因表达矩阵的构建 基因表达矩阵的读取和读 ...
- 跟着Cell学单细胞转录组分析(八):单细胞转录组差异基因分析及多组结果可视化
接着单细胞下游分析: 从Cell学单细胞转录组分析(一):开端!!! 跟着Cell学单细胞转录组分析(二):单细胞转录组测序文件的读入及Seurat对象构建 跟着Cell学单细胞转录组分析(三):单细 ...
- 教你如何预测参与调节差异基因的转录因子
TCGA | GEO | 文献阅读 | 数据库 | 理论知识 R语言 | Bioconductor | 服务器与Linux 我们获得的差异基因[学习:一文就会TCGA数据库基因表达差异分析,GEO数据 ...
- linux转录组kegg注释,转录组入门(8):差异基因结果注释
作业要求 我们统一选择p<0.05而且abs(log2FC)大于1的基因为显著差异表达基因集,对这个基因集用R包做KEGG/GO超几何分布检验分析. 然后把表达矩阵和分组信息分别作出cls和gc ...
- go kegg_差异基因的GO与KEGG注释
写在前面 这个其实很简单啦!三个R包可以搞定的事情. 三个包分是:clusterProfiler,pathview,org.Hs.eg.db. clusterProfiler,pathview两个包用 ...
- python 分析两组数据的差异_R语言limma包差异基因分析(两组或两组以上)
使用limma包进行差异基因分析时,做最多的是两分类的,例如control组和disease组,但也会碰到按照序列进行的分组.这时,如果逐一使用两两比较求差异基因则略显复杂.其实开发limma包的大神 ...
- 蜜汁问题?差异基因分析谁比谁有差别吗?
做差异基因分析时经常会遇到有老师纠结是样品组A比样品组B还是样品组B比样品组A.每次我都是很诧异,这有区别吗? 这是一个典型的DESeq2输出结果,我们怎么知道他计算的是trt/untrt还是untr ...
最新文章
- 内存管理单元--MMU
- python自动化办公脚本下载-python自动化脚本
- eclipse报jvm terminated.exitcode=2错误的解决方法
- Java 类型和数据库类型怎么实现相互映射?
- redis linux服务,linux服务之redis
- SLF4JLoggerContext cannot be cast to LoggerContext
- 深入JS正则先行断言
- php框架中间件,【框架十】Coder PHP Framework 中间件
- 集成学习 Ensemble Learing(???)
- 含有Date类型的对象或集合转换成json时的问题
- IntelliJ IDEA 新版本又来了,修复严重 bug!
- fuzzy仿真 MATLAB,基于Matlab的Fuzzy-PID控制器的设计与仿真
- JavaSE|StringBuffer
- __init__在python中的用法_如何打“我爱你”的摩斯密码
- 【数据产品案例】美团外卖O2O的用户画像实践
- 数据库入门-----Windows平台下按照和配置MySQL
- vscode调试配置和任务配置
- Ng-Alain 菜单图标引入iconfront 版本9.5.5
- 【刷题】洛谷 P2675 《瞿葩的数字游戏》T3-三角圣地
- v26.08 鸿蒙内核源码分析(自旋锁) | 当立贞节牌坊的好同志 | 百篇博客分析HarmonyOS源码