锐客网

  1. 首页 > 睿知 > >

deseq2的分析过程,DESEQ2基因差异分析

睿知经验分享

deseq2，DESEQ2的baseMean和log2FoldChange是怎么得来的？差异表达基因分析:差异表达(foldchange differential expressed genes分析差异表达基因(DEG):差异表达基因分析目前是鉴定疾病相关miRNA和基因的常用方法 。目前对分析进行差分表达的方法有很多 ， 但Foldchange法比较简单和常用 。
1、2021-09-08批次TCGA(1样本筛选后，首先要做质量控制:样本筛选后 ， 基因筛选后 ， 要做质量控制 。有以下三个箱型图，密度图PCA图层次聚类分析现在整理后，是否标准化或去除批次差异首先需要进行批次校正，因为有些基因在不同样本中的表达水平是恒定的 。这可以作为去除批次标准化的参考:limmavoom，deseq2，edger difference分析Multiple R packages分析同样的数据可以得到更稳定的结果 。
2、RNA-Seq(5但是我们不能直接拿数据来做下面的区别分析 。在进行下一步操作之前，我们必须将数据标准化 。那么问题来了，为什么一定要正常化才能进行下一步，如何正常化 。在这里，我使用了两种DESeq2包归一化的方法来获得归一化的值(当然，也可以使用其他方法进行归一化) 。如果对归一化过程感兴趣，可以看看归一化算法 。excel演示DESeq2归一化原理(jianshu.com) 。为了探索样本之间的相关性 ， 将使用两种方法，主成分分析(PCA)和相关性分析和层次聚类分析进行样本水平的质量控制 。
1.什么是PCA？正在写笔记 。2.什么是相关性分析和层次聚类分析方法:1 。协方差和相关系数(简书 。com) 。2.层次聚类是将研究对象按照相似性用树形图表示出来 。还可以画出PCA 分析图R语言主成分分析(PCA)加“置信椭圆”(jianshu.com)作为每个样本，将这些样本相互比较，得出皮尔逊相关系数 。
3、转录组入门(7三个样本的原始HTSeqcount的数据可以在我的GitHub中找到，但是有人说Jimmy的失误让我们分析只剩下三个样本，另一个样本需要从另一批数据中获取(请注意batcheffect)，所以不能保证每组都有两个副本 。我一直相信“你不是一个人”这句话，遇到这种情况的肯定不止我一个，所以我找了几个解决方法，后面会介绍，但是我们DESeq2要有重复的问题急需解决 ， 所以我得自己补 。
我这样编的 。这只是一种填坑的方法 。更好的模拟数据的方法需要参考更专业的文献，希望在有生之年补上这部分 。这部分内容最早是在RNASeqDataAnalysis的8.5.3节看到的，刚开始没看懂，但是学了生物统计学之后觉得是理解所有差异基因表达分析R包的关键 。
4、差异表达基因 分析:差异倍数(foldchange差异基因表达分析:差异表达基因分析差异表达基因(DEG):差异表达基因分析是鉴定疾病相关miRNA和基因的常用方法 。目前分析有多种不同的表达方式，但Foldchange方法更简单 ， 也更常用 。它的优点是计算简单直观，缺点是没有考虑微分表达式的统计意义；通常以2倍的差异作为判断基因是否差异表达的阈值 。
5、困扰的batcheffect batcheffect，是指不同批次的样品在加工和测量过程中产生的与试验过程中记录的任何生物变异无关的技术差异 。批量效应是高通量实验中常见的变异来源，它受一些非生物因素的影响，如日期、环境、处理组、实验者、试剂和平台 。在合并分析不同批次的数据时，通常的标准化方法不足以调整批次之间的差异 。如果批次效应严重，这些差异会干扰实验结果，所以我们无法判断差异表达的基因是来自我们要研究的因素，还是批次相关 。
6、12高通量测序-DESeq2文库标准化问题1:调整文库大小的差异样品1的阅读量是样品2的一半 ， 样品2中每个基因的阅读量是样品1的两倍 。这种差异不是生物学造成的 ， 而是测序的深度造成的 。RPKM、FPKM、TPM和CPM都处理这个问题 。问题2:调控文库组成的差异:RNAseq(和其他高通量测序)经常被用来比较一种组织类型和另一种组织类型 。比如肝vs脾 。
这是一个不同库组成的例子 。你也可以想象一下，如果你敲除一个转录因子 ， 你会在同一个组织类型中发现不同的文库组成 。在本例中，两个库具有相同的大小(读) 。现在，假设所有的基因都表达相同，只有一个例外 。假设只有样本1转录A2M，这意味着样本1中的A2M消耗了563次读取 。
7、DESeq2处理TCGA数据库Seq-count数据1和DESeq2需要导入两个数据集:mycounts、colData 。先说我的counts 。这是经过处理的TCGA数据RNAmatrix.txt，可以直接读取 。2.colData是每个样本的描述 。这个可以生成，也可以自己写一个，用csv格式保存 。我一般都是自己写 。
8、RNA-seq(7写在前面:可以参考另一篇文章《获得不同基因后该怎么办？接下来 ， 我们需要查看treatversuscontrol的总体结果 ， 并根据pvalue对它们进行重新排序 。summary命令显示，有多少基因差异表达上调和下调(FDR0.1)的定义并不统一，但log2FC是应用最广泛、最不准确的方式，但由于其简单易懂，尤其在芯片数据处理中应用广泛 。记得哈佛大学做过一个统计 ， FC2比较靠谱 。
9、DESeq2的baseMean和log2FoldChange是如何得到的?【deseq2的分析过程,DESEQ2基因差异分析】有朋友问我一个问题 ， DESeq2的baseMean是怎么计算的？一开始我以为baseMean计算的是对照组标准化计数的平均值 。由于我还将在分析 result中提供所有样本的标准化计数，所以我没有过多关注这个baseMean，他提出问题后 ， 我做了如下探索 。以R包中的airway为例，我首先提取了差异表达的baseMean，以ENSG为例 ， 我提取了所有样本中基因组的表达 。注:此处对照组和实验组间隔存放 。

    推荐阅读


    上一篇：网络电话安装,什么是网络电话

    下一篇：鸟巢蕨的作用及食用方法