这篇文章中有一张图很有趣，如下：

作者使用Hallmarks通路进行GSEA富集分析，共发现26条通路显著与两种表型相关，与stemness表型相关的有16条通路，与cancer表型相关的有10条通路。

本次演练中，我们选择MSIDB数据库中的50条Hallmarks通路进行示例，通路信息下载链接：http://www.gsea-msigdb.org/gsea/downloads.jsp

下面我们用我们自己的数据来做一下这张图：

rm(list = ls())
library(edgeR)
library(DESeq2)
library(fgsea)
library(clusterProfiler)
library(enrichplot)
library(ggplot2)

load('data.rda') ## 加载我们的数据 包括临床数据clin和表达数据expr

head(expr)

表达矩阵为 raw read count data

head(clin)

第一列为expr每一列对应的ID，第二列为分组信息。

table(clin$Group)

0和1分别有223个和135个

##构建分组信息
group <- factor(rep(c('1','0'),times=c(135,223)))
colData <- data.frame(row.names=rownames(clin),group)

##保留在50%以上的样本中count>=1的基因
keep <- rowSums(expr>=1) >= ncol(expr)*0.5
table(keep)
cc <- expr[keep,]

##差异分析
dds <- DESeqDataSetFromMatrix(round(cc), colData, design= ~group)
dds <- DESeq(dds)
res<- results(dds,contrast=c("group","1","0"),independentFiltering=FALSE)

##差异分析结果
alldiff <- as.data.frame(res)%>%na.omit()
alldiff$type <- ifelse(alldiff$padj>0.05,'No-Sig',ifelse(alldiff$log2FoldChange>1,'Up',ifelse(alldiff$log2FoldChange< -1,'Down','No-Sig')))table(alldiff$type)

## 顺手画个火山图
ggplot(alldiff,aes(log2FoldChange,-log10(padj),fill=type))+geom_point(shape=21,aes(size=-log10(padj),color=color))+scale_fill_manual(values=c('seagreen','gray','orange'))+scale_color_manual(values=c('gray60','black'))+geom_vline(xintercept=c(-1,1),lty=2,col="gray30",lwd=0.6) +geom_hline(yintercept = -log10(0.05),lty=2,col="gray30",lwd=0.6)+theme_bw(base_rect_size = 1)+theme(axis.title = element_text(size = 15),axis.text = element_text(size = 12),legend.title = element_blank(),legend.text = element_text(size = 12),panel.grid = element_blank(),plot.title = element_text(family = 'regular',hjust = 0.5),legend.position = c(0.5, 1),legend.justification = c(0.5, 1),legend.key.height = unit(0.5,'cm'),legend.background = element_rect(fill = NULL, colour = "black",size = 0.5))+xlim(-4,4)+guides(size=F,color=F)+ylab('-log10 (FDR)')+xlab('log2 (Fold Change)')

接下来开始重头戏，开始画GSEA table

## 根据logfc降序排列基因
alldiff <- alldiff[order(alldiff$log2FoldChange,decreasing = T),]

## fgsea中输入的关键基因信息
id <- alldiff$log2FoldChange
names(id) <- rownames(alldiff)

## fgsea中输入的关键通路信息
gmtfile <- "./h.all.v7.4.symbols.gmt"
hallmark <- read.gmt(gmtfile)
hallmark$term <- gsub('HALLMARK_','',hallmark$term)
hallmark.list <- hallmark %>% split(.$term) %>% lapply( "[[", 2)

## Perform the fgsea analysis
fgseaRes <- fgsea(pathways = hallmark.list, stats = id,minSize=1,maxSize=10000,nperm=10000)
sig <- fgseaRes[fgseaRes$padj<0.05,]
sig <- sig[order(sig$NES,decreasing = T),]

## 最后一步 开始绘图
plotGseaTable(hallmark.list[sig$pathway],id, fgseaRes,gseaParam = 0.5)

这样子基本上画完了，但是貌似不是很好看，可以保存为PPT格式再处理一下

library(export)
graph2ppt(file = 'GSEA-table.pptx',height = 7,width = 8.5)

其中每个元素都可以调整哦

调整完之后如下所示：

加编者微信入群 "生信交流群-医学僧"

加微信时请备注 "学校-专业-姓名"

往期精品(点击图片直达文字对应教程)

机器学习

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