geo下载表达矩阵多因素差异分析 deseq2 duqiang_1分析GEO数据库差异基因（GSE150910）将差异基因与泛素化酶取交集

geo矩阵的获取有两种方式:

library(DESeq2)

library(DESeq2)
getwd()
dir.create("G:/r/duqiang_IPF/GSE150910_IPF_Donors_subsets_using_getGEO/")
setwd("G:/r/duqiang_IPF/GSE150910_IPF_Donors_subsets_using_getGEO/")
if(1==!1){getwd()Sys.setenv("VROOM_CONNECTION_SIZE"=999999999)f='GSE150910_eSet.Rdata'if(!file.exists(f)){gset <- getGEO('GSE150910', destdir=".",AnnotGPL = F,     ## 注释文件getGPL = F)       ## 平台文件save(gset,file=f)   ## 保存到本地}}
load("G:/r/duqiang_IPF/GSE150910_IPF_Donors_subsets/GSE150910_eSet.Rdata")
head(pData(gset[[1]])$"status")
head(pData(gset[[1]])$"age:ch1")#提取meta信息
meta_all=pData(gset[[1]])

2.在geo官网把文件下载下来，然后读取

expr.150910<-read.table(file="G:/r/duqiang_IPF/GSE150910_IPF_Donors_subsets/GSE150910_gene-level_count_file.csv/GSE150910_gene-level_count_file.csv",header=TRUE,sep=",", #Error in scan(file = file, what = what, sep = sep, quote = quote, dec = deccomment.char="!")expr.150910=expr.df %>% column_to_rownames(var = "symbol") #列名变成行名
head(expr.150910)[1:6,1:12]
length(rownames(expr.150910))

#提取meta信息

meta_all=pData(gset[[1]])
head(meta_all)
meta.150910=meta_all[,c("race (hispanic;1, black;3,asian;4, white;5, other;6):ch1","Sex:ch1","age:ch1","diagnosis:ch1","ever_smoked:ch1","plate:ch1","institution:ch1","sample type:ch1","title")]
colnames(meta.150910)=c("race","Sex","age","diagnosis","ever_smoked",'plate','institution','sample',"title")
meta.150910=meta.150910 %>% rownames_to_column(var = "GSM_acc")
rownames(meta.150910)=meta.150910$title
head(meta.150910)

#表达矩阵样本顺序和meta信息是否一致

rownames(meta.150910)
colnames(expr.150910)
match(c(1,3,2,6),c(6,2,3,1))
c(6,2,3,1)[match(c(1,3,2,6),c(6,2,3,1))]
length(match(rownames(meta.150910),colnames(expr.150910)))
expr.150910[,match(rownames(meta.150910),colnames(expr.150910))]
expr.150910=expr.150910[,match(rownames(meta.150910),colnames(expr.150910))]
head(expr.150910)
identical(colnames(expr.150910),rownames(meta.150910))

##deseq2 素材准备包括矩阵和meta信息

table(meta.150910$sample,meta.150910$diagnosis)my_coldata_explant=meta.150910[meta.150910$sample=="explant" &meta.150910$diagnosis %in% c("control",'ipf'),]
head(my_coldata_explant)

my_rawcout_explant=expr.150910[,match(rownames(my_coldata_explant),colnames(expr.150910))]
head(my_rawcout_explant)identical(rownames(my_coldata_explant),colnames(my_rawcout_explant))

开始deseq2

library(DESeq2)
dds <- DESeqDataSetFromMatrix(countData = my_rawcout_explant,#生成deseq对象结构colData = my_coldata_explant,design= ~Sex+age+race+plate+institution + diagnosis)
dds <- DESeq(dds)
#设置好 到底是谁比谁
dds@design
table(my_coldata_explant$diagnosis)
dds$diagnosis <- relevel(dds$diagnosis, ref = "control") #dds$group <- factor(dds$group, levels = c("control","ipf"))
resultsNames(dds)
#save(dds,file = "G:/r/duqiang_IPF/GSE150910_IPF_Donors_subsets_using_getGEO/dds_for_explants_ipf_control.rds")
load("G:/r/duqiang_IPF/GSE150910_IPF_Donors_subsets_using_getGEO/dds_for_explants_ipf_control.rds")res=results(dds,name = "diagnosis_ipf_vs_control")
head(res)
res$genename=rownames(res)
getwd()openxlsx::write.xlsx(res,file ="G:/r/duqiang_IPF/GSE150910_IPF_Donors_subsets_using_getGEO/degs_explants_for_ipf vs control.xlsx" )

收缩

# or to shrink log fold changes association with condition:
#BiocManager::install('apeglm')
res <- lfcShrink(dds, coef="diagnosis_ipf_vs_control", type="apeglm")
head(res)
length(rownames(res)) #18838res$genename=rownames(res)res=as_tibble(res)
res=res %>% filter(abs(log2FoldChange)>1 & pvalue<0.05 )
length(rownames(res)) #1595
openxlsx::write.xlsx(res,file ="G:/r/duqiang_IPF/GSE150910_IPF_Donors_subsets_using_getGEO/degs_explants_for_ipf vs control_filtered.xlsx" )

geo下载表达矩阵多因素差异分析 deseq2 duqiang_1分析GEO数据库差异基因（GSE150910）将差异基因与泛素化酶取交集相关推荐

geo读取表达矩阵 RNA-seq R语言部分（表达矩阵合并及id转换）
geo读取表达矩阵 RNA-seq R语言方法一:1.从geo页面直接下载表达矩阵,然后通过r读取表达矩阵 2.利用getgeo函数读取表达矩阵 3.利用geo自带的geo2r,调整p值为1,获取探 ...
seurat提取表达矩阵_什么，你一定要基于FPKM标准化表达矩阵做单细胞差异分析...
学徒和学员已经陆续出师,是时候把生信技能树的舞台交给后辈了!下面是<生信入门第7期>学员的分享最近看到有一个简单的数据挖掘文章,就做了一个单细胞表达矩阵的差异分析,然后强行解释一波.而且使 ...
c++ 合并2个txt_多个表达矩阵文件合并
前些天群主给了我们学徒一个任务,下载数据集:GSE84073 做一些批量分析! 群主想看到,HCC,CHC,CC这3组,跟healthy的分开比较,然后3个火山图,3个热图. 那么首先需要下载coun ...
seurat提取表达矩阵_GPL17586、GPL19251和GPL16686平台芯片ID转换
芯片分析中经常会遇到Affymetrix Human Transcriptome Array 2.0芯片,由于目前还没有现成的R包可以用,因此分析方法也不统一.见生信技能树Jimmy老师HTA2.0芯 ...
生物信息学入门根据表达矩阵和差异表达基因列表制作差异表达矩阵
根据表达矩阵做完差异分析之后,就要将差异表达基因的表达情况从表达矩阵中提取出来,制作差异表达矩阵.这个过程非常简单,但是也有一些人问到,就整理了这个教程. 1. 数据准备:原始表达矩阵和差异表达基因 ...
R语言 | GEO数据库下载GSE基因芯片以及表达矩阵和临床信息的提取
目录 1.载入R包 2.利用AnnoProbe下载GEO数据库中的数据 3.提取表达矩阵和临床信息 4.输出文件 1.获得GEO数据库中的数据下面以GSE14520数据系为例: 获得GEO数据库中的 ...
GEO学习笔记-P3 表达矩阵过滤
学习材料:[生信技能树]公共数据库挖掘实例(基于R语言) bilibili版本以及后续更新课程中的github材料为基础. 本章节是以:[生信技能树]公共数据库挖掘实例(基于R语言)为基础,进行的代码 ...
TCGA下载和表达矩阵整理：最适合初学者的教程
本文首发于公众号:医学和生信笔记 " 医学和生信笔记,专注R语言在临床医学中的使用,R语言数据分析和可视化.主要分享R语言做医学统计学.meta分析.网络药理学.临床预测模型.机器学习.生物 ...
GEO数据库学习三(了解表达矩阵)
上一节已经成功进行了id转换,这一节主要是了解表达矩阵,通过绘图等参数判断表达矩阵是否正确.首先需要根据上一节过滤的探针,我们需要把exprSet表达矩阵的行名(探针id)换成基因名,处理完之后表达矩 ...

geo下载表达矩阵多因素差异分析 deseq2 duqiang_1分析GEO数据库差异基因（GSE150910）将差异基因与泛素化酶取交集

geo下载表达矩阵多因素差异分析 deseq2 duqiang_1分析GEO数据库差异基因（GSE150910）将差异基因与泛素化酶取交集相关推荐

最新文章

热门文章

geo下载表达矩阵 多因素差异分析 deseq2 duqiang_1分析GEO数据库差异基因（GSE150910）将差异基因与泛素化酶取交集

geo下载表达矩阵 多因素差异分析 deseq2 duqiang_1分析GEO数据库差异基因（GSE150910）将差异基因与泛素化酶取交集相关推荐

最新文章

热门文章

geo下载表达矩阵多因素差异分析 deseq2 duqiang_1分析GEO数据库差异基因（GSE150910）将差异基因与泛素化酶取交集

geo下载表达矩阵多因素差异分析 deseq2 duqiang_1分析GEO数据库差异基因（GSE150910）将差异基因与泛素化酶取交集相关推荐