FPKM值基因表达量的计算、基因ID转gene symbol的例子
高通量测序数据一般公司都会提供两种矩阵,一种是Row counts,前面说过的用于差异基因的筛选。第二种是FPKM值,可以理解为转录组基因的表达矩阵,可以用于做热图和基因表达变化的比较。但是数据挖掘中,我们只能下载到counts矩阵,所以要得到基因的表达量还需要通过计算。
这里我们使用biomaRt包举个例子,由counts值计算FPKM。
一、FPKM的计算
加载counts矩阵:
setwd("E:/生物信息学")
ma <- read.csv("GSE169758_markdup.featco.2.counts.csv",header = T,row.names = 1)
下载安装R包:
BiocManager::install("biomaRt")
library(biomaRt)
链接到ensembl数据库,并选择合适的物种,因为我们下载的是人的数据,所以dataset = "hsapiens_gene_ensembl",小鼠的则选择dataset = “mmusculus_gene_ensembl”。计算基因长度。
ensembl <- useMart("ensembl")
ensembl = useDataset("hsapiens_gene_ensembl",mart=ensembl)
test <- getBM(attributes=c('ensembl_gene_id', 'start_position',
'end_position','ensembl_transcript_id',
'transcript_length'),mart = ensembl)
head(test)
# ensembl_gene_id start_position end_position ensembl_transcript_id transcript_length
#1 ENSG00000210049 577 647 ENST00000387314 71
#2 ENSG00000211459 648 1601 ENST00000389680 954
#3 ENSG00000210077 1602 1670 ENST00000387342 69
#4 ENSG00000210082 1671 3229 ENST00000387347 1559
#5 ENSG00000209082 3230 3304 ENST00000386347 75
#6 ENSG00000198888 3307 4262 ENST00000361390 956
将得到的test文件排序,并去除重复的ID:
test <- test[order(test$ensembl_gene_id,test$transcript_length,decreasing = T),]
g <- test[!duplicated(test$ensembl_gene_id),]
g <- g[,c(1,5)]
head(g)
dim(g)
summary(g)
取基因长度文件和count文件交集的基因:
ng=intersect(rownames(ma),g$ensembl_gene_id)
length(ng)
lengths=g[match(ng,g$ensembl_gene_id),2]
names(lengths) <- g[match(ng,g$ensembl_gene_id),1]
head(lengths)
根据最终选取的counts矩阵计算每个样本的文库大小:ma <- ma[names(lengths),]
total_count <- colSums(ma)
head(total_count)
#Mcc1 Mcc2 Mcc3 Mcc4 Mcc5 Mcc6
#39315944 15971423 16166354 25798072 33085950 1772396
计算FPKM,并保存文件:
ma_fpkm <- t(do.call( rbind,
lapply(1:length(total_count),
function(i){
10^9*ma[,i]/lengths/total_count[i]
#lengths向量自动遍历
}) ))
ma_fpkm[1:4,1:4]
#[,1] [,2] [,3] [,4]
#ENSG00000000003 0.01340093 0.000000 0.000000 0.01021143
#ENSG00000000005 0.00000000 0.000000 0.000000 0.00000000
#ENSG00000000419 28.87258994 24.594527 23.186029 27.78157422
#ENSG00000000457 2.23382616 1.677457 1.696455 2.31666061
write.csv(ma_fpkm, file = "ma_fpkm.csv")
二、基因ID转gene symbol
从前面的结果我们很清楚的看到,每个基因都是用ID表示的,类似于ENSG00000000003,但看这个名称,根本不知道它是什么,我们通常也不习惯这样表示基因,还是习惯于Gene symbol。接下来我们将这个FPKM文件进行基因ID注释。
首先加载人基因数据库:
library(stringr)
BiocManager::install("org.Hs.eg.db")
library(org.Hs.eg.db)
准备三个文件,一个是gene ID,一个是gene symbol,还有一个是我们需要注释的文件,准备一列ensembl_id:
gs <- toTable(org.Hs.egSYMBOL)
head(gs)
#gene_id symbol
#1 1 A1BG
#2 2 A2M
#3 3 A2MP1
#4 9 NAT1
#5 10 NAT2
#6 11 NATP
ge <- toTable(org.Hs.egENSEMBL)
head(ge)
#gene_id ensembl_id
#1 1 ENSG00000121410
#2 2 ENSG00000175899
#3 3 ENSG00000256069
#4 9 ENSG00000171428
#5 10 ENSG00000156006
#6 12 ENSG00000196136
colnames(ma_fpkm) <- colnames(ma)
ma_fpkm <- as.data.frame(ma_fpkm)
ma_fpkm$ensembl_id <- row.names(ma_fpkm)
接着就是将这几个文件一一比对merge,就可以得到注释的gene symbol:
b <- merge(ma_fpkm,ge,by="ensembl_id",all.x=T)
c <- merge(b,gs,by="gene_id",all.x=T)
c=c[order(c$ensembl_id),]
c=c[!duplicated(c$ensembl_id),]
c=c[match(ma_fpkm$ensembl_id,c$ensembl_id),]
head(c)
# Pan1 Pan2 Pan3 Pan4 Pan5 Pan6 symbol
#29657 4.55462494 2.612894 3.31715074 3.80483778 4.487819 2.49863368 TSPAN6
#27673 0.00000000 0.000000 0.00000000 0.02566601 0.000000 0.00000000 TNMD
#33278 27.28248482 18.442794 22.18114506 23.02063714 25.941927 20.66173442 DPM1
#26324 1.56335564 2.044088 2.33643810 2.39752223 1.953669 2.30114296 SCYL3
#25673 4.02781699 4.294728 5.45416997 4.60184848 3.717569 5.34177442 C1orf112
#15388 0.01591371 0.000000 0.01808745 0.01172831 0.000000 0.01215142 FGR
write.csv(c,file = "genesymbol_fpkm.csv")
这样我们的问题就解决了!
接下来我们会着重于转录组数据的可视化和一些后续的分析!欢迎关注分享和交流讨论!
FPKM值基因表达量的计算、基因ID转gene symbol的例子相关推荐
- matlab算幅值裕量,matlab计算相角裕度
问题: 如图所示的系统, 画出当K=45时 的伯德图, 并确定增益裕度和相位裕度. 计算使系统稳定的最大K值, 并用劳斯阵 列验证其结果. R + ? - K 1 (...... (0 1) 从 而可 ...
- uniport ID 转换为 gene symbol(ID转换)
网站 ID转换网址 input 选择 uniprot accession output 选择 Gene symbol 一般一次转换不能超过1万个基因ID,数据量太大就转换不出来,如果一次转换太多,需要 ...
- Entrez ID 和 gene symbol 和 Ensembl ID转换
简单粗暴网页版 bioDBnet - Biological Database Network db2db模块可以非常方便地实现各种ID之间的转换,当然 bioDBnet的功能有很多,可以试试. 手动迁 ...
- 基因 ID 匹配利器
一.背景 对于每个生物信息分析的人来说,ID 匹配(映射)是一项非常常见,但又很繁琐的任务.假设,我们有一个来自上游分析的 gene symbol 或报告的 ID 列表,然后我们的下一个分析却需要使用 ...
- BiomaRt 包进行基因ID转换
R中两个常用的基因ID转换包:BiomaRt和clusterProlifer 1. clusterProlifer 总体来说clusterProlifer用起来是比较方便的,通过现成的org.*.e ...
- R语言基因表达量转换(TPM、FPKM、RPKM)
基因表达量一般以TPM或FPKM为单位来展示. TPM,Transcripts Per Kilobase Million 计算公式: TPMi=(Ni/Li)*1000000/sum(Ni/Li+-- ...
- 2020.08.14【RNA-Seq流程】丨将HTseq生成的基因COUNT值转换为FPKM值
2021.04.22更新:2.0版本 count转换FPKM介绍 公式介绍 R语言脚本 公式介绍 下方公式是FPKM的综述文章写的,参数并不好理解,但是对数量级表示很明白 https://harold ...
- GTEx:基因型和基因表达量关联数据库
欢迎关注"生信修炼手册"! GTEx全称如下 Genotype-Tissue Expression 该项目对来自人体多个组合和器官的样本,同时进行了转录组测序和基因分型分析,构建了 ...
- R语言survival包coxph函数构建cox回归模型、ggrisk包ggrisk函数可视化Cox回归的风险评分图、使用风险得分的中位数计算最佳截断值cutoff(基于LIRI基因数据集)
R语言survival包coxph函数构建cox回归模型.ggrisk包ggrisk函数可视化Cox回归的风险评分图.使用风险得分的中位数计算最佳截断值cutoff(基于LIRI基因数据集) 目录
最新文章
- shell脚本编程基础(1)及RAID阵列
- 探寻《魔兽争霸3》中最不为人知的按键
- 一切都是问题,一切都着落在自身
- 已知两个信号的协方差矩阵,如何生成这两个信号
- Service Mesh 最火项目 Istio 分层架构,你真的了解吗?
- day for people, night for material
- sqlserver concat 字符串位数不够左侧补0_一文搞懂Python字符串格式化
- 【论文相关】历年CVPR、ICCV、ECCV论文合集下载
- 回顾线程的竞争机制-轻量级锁
- [渝粤教育] 西南科技大学 投资经济学 在线考试复习资料(2)
- 5.中小型企业通用自动化运维架构 -- ELK
- CWMP\TR069协议学习随笔1——入门基础知识及环境搭建
- mysql设计用户标签库_针对Tag/标签的数据库设计思考 | 学步园
- 支付宝-电脑网站支付并跳转页面
- Oracle EBS APP-FND-02901: you don‘t have privilege to any operating unit
- Flutter高仿微信-第26篇-新的朋友
- android entries 变量选择,Spinner的使用(android:entries指定列表项)
- 家庭光纤宽带延长光纤
- 根据IMSI区别运营商
- 【bzoj4292】 [PA2015]Równanie 乱搞
热门文章
- 深度学习网络和特征图可视化的工具介绍
- 关于pps.tv首页导航菜单样式的研究疑问
- Android 增强型4G LTE模式开关默认值为关闭状态修改
- 【k8s系列,持续更新中】2.1 入门k8s_跑个应用看看 (且随疾风前行,身后一许流星~~)
- 利用无代码搭建“OA办公管理系统”
- 谢希仁《计算机网络》第六版与第七版的区别
- 如何找到python廖雪峰基础_为什么看不懂廖雪峰的Python学习教程?
- 第十二单元 面向对象-和抽象类和对象
- 谷歌浏览器无法登录网络教育网站,输入用户密码点击无反应,事件
- lambda多表左连接