美女写真视频性感写真,鞠婧祎视频素材

?
詳情請聯(lián)系作者：
?

這篇帖子主要的目的是寫一個轉(zhuǎn)錄組GSEA分析和可視化通用的函數(shù)。起因是我們想要復(fù)現(xiàn)一篇文章的GSEA可視化圖片，這個Nature文章GSEA可視化挺好的：

（reference：B-cell-specific checkpoint molecules that regulate anti-tumour immunity）

后來干脆一不做二不休，寫一個函數(shù)吧，有差異分析結(jié)果即可，可視化也是一鍵出結(jié)果。算是懶人福音吧。我們此部分一共有兩個函數(shù)，一個是KS_GSEA，作用是進行轉(zhuǎn)錄組數(shù)據(jù)GSEA分析，提供clusterProfiler和fgsea兩種R包分析方式，KS_GSEA適用于human和mouse兩個物種，支持KEGG、GO（BP）的GSEA分析。KS_GSEA_plot作用是進行GSEA結(jié)果的可視化，可選擇需要的通路進行展示。此函數(shù)為付費內(nèi)容，微信vip群已提前更新，需要購買函數(shù)的小伙伴微信聯(lián)系作者！

接下來，我們看看函數(shù)的具體作用和參數(shù)解釋。本函數(shù)使用解說視頻下周B站上線！

這里我們以一個單細(xì)胞的數(shù)據(jù)為例，首先做一下差異分析。Bulk RNA的差異分析不再多說。GSEA分析是基于已經(jīng)完成差異分析結(jié)果，且納入所有基因。目前R做GSEA用的比較多的是clusterProfiler和fgsea包，所以這兩種包的分析方式我們都包含進去了。使用的時候選擇自己需要的即可。

library(Seurat)library(msigdbr)library(fgsea)library(clusterProfiler)library(ggplot2)#加載函數(shù)source('./KS_GSEA.R')source('./KS_GSEA_plot.R')
#差異基因-----------------------------------------------------------------------load("D:/KS項目/公眾號文章/GSEA分析及可視化函數(shù)/sce_mar.RData")df <- FindMarkers(Macrophage, min.pct = 0, logfc.threshold = 0,                    group.by = "group",ident.1 ="BM",ident.2="GM")df$gene = rownames(df)

得到的差異分析結(jié)果是一個數(shù)據(jù)框，包含gene symbol這一列，還有l(wèi)ogFC這一列。我們知道GSEA分析需要對基因按照FC進行排序，我們這里的分析不需要事先進行排序，只要提供gene和logFC即可。兩種R包的結(jié)果我們都做一下。

#GSEA分析-----------------------------------------------------------------------GSEA_CP <- KS_GSEA(gene = df$gene,                   LogFC = df$avg_log2FC,                   analysis = "KEGG",                   package = 'clusterProfiler',                   OrgDb = 'org.Hs.eg.db')class(GSEA_CP)# [1] "gseaResult"# attr(,"package")# [1] "DOSE"

GSEA_F <- KS_GSEA(gene = df$gene,                  LogFC = df$avg_log2FC,                  analysis = "KEGG",                  package = 'fgsea',                  OrgDb = 'org.Hs.eg.db')class(GSEA_F)# [1] "data.table" "data.frame"

可以看到，clusterProfiler包返回的是一個gseaResult，fgsea包返回的是一個"data.table"，"data.frame"。這些結(jié)果就是我們下一步可視化的輸入文件。運行結(jié)束后，分析結(jié)果已txt或者csv的形式直接保存到當(dāng)前環(huán)境路徑下！

我們對可視化函數(shù)進行了設(shè)置，NES>0的結(jié)果點用紅色顯示。NES<0的結(jié)果用藍(lán)色點顯示。這里我們挑選自己感興趣的通路進行可視化。

#NES>0p1=KS_GSEA_plot(inputType = "clusterProfiler",             analysis = "KEGG",             data = GSEA_CP,             term = 'Oxidative phosphorylation',             gene = df$gene,             LogFC  = df$avg_log2FC,             OrgDb = 'org.Hs.eg.db')

p2=KS_GSEA_plot(inputType = "fgsea",             analysis = "KEGG",             data = GSEA_F,             term = 'Huntingtons disease',             gene = df$gene,             LogFC = df$avg_log2FC,             OrgDb = 'org.Hs.eg.db')p1+p2

NES<0，這里需要注意一個問題，clusterProfiler和fgsea雖然都是GSEA分析，但是兩者得到的結(jié)果并不是一摸一樣完全相同的，總是有一些出入，這是因為數(shù)據(jù)庫，分析方式不一樣。選擇需要的包使用一個即可。

#NES<0p3=KS_GSEA_plot(inputType = "clusterProfiler",             analysis = "KEGG",             data = GSEA_CP,             term = 'JAK-STAT signaling pathway',             gene = df$gene,             LogFC  = df$avg_log2FC,             OrgDb = 'org.Hs.eg.db')

p4=KS_GSEA_plot(inputType = "fgsea",             analysis = "KEGG",             data = GSEA_F,             term = 'Jak stat signaling pathway',             gene = df$gene,             LogFC = df$avg_log2FC,             OrgDb = 'org.Hs.eg.db')p3+p4

當(dāng)然了，我們可以利用循環(huán)一次性可視化通路。

#批量循環(huán)#NES>0pathway <- c('Oxidative phosphorylation',             "Parkinson disease",             "Biosynthesis of amino acids",             "Cardiac muscle contraction")
pathway_list <- list()for (i in 1:length(pathway)) {  p = KS_GSEA_plot(inputType = "clusterProfiler",                   analysis = "KEGG",                   data = GSEA_CP,                   term = pathway[i],                   gene = df$gene,                   LogFC  = df$avg_log2FC,                   OrgDb = 'org.Hs.eg.db')  pathway_list[[i]] <- p  }#組合圖CombinePlots(pathway_list, ncol = 2)

用另一個數(shù)據(jù)批量做一下下調(diào)的。

#NES<0pathway1 <- c('Melanoma',              'Prostate cancer',              'Ecm receptor interaction',              'Tgf beta signaling pathway')
pathway_list1 <- list()for (i in 1:length(pathway)) {  p = KS_GSEA_plot(inputType = "fgsea",                   analysis = "KEGG",                   data = GSEA_F,                   term = pathway1[i],                   gene = df$gene,                   LogFC  = df$avg_log2FC,                   OrgDb = 'org.Hs.eg.db')  pathway_list1[[i]] <- p  }#組合圖CombinePlots(pathway_list1, ncol = 2)

這就是所有內(nèi)容了，希望對你有所啟發(fā)。這個函數(shù)其實并不是很完美，首先是物種只支持小鼠和人，其次是分析參數(shù)我沒有再設(shè)置，用的是我常用的。當(dāng)然了，這個函數(shù)框架我提供了，需要更加個性化的可以自行修改。覺得分享有用的，點個贊唄！

本站僅提供存儲服務(wù)，所有內(nèi)容均由用戶發(fā)布，如發(fā)現(xiàn)有害或侵權(quán)內(nèi)容，請點擊舉報。

中文字幕理论片,69视频免费在线观看,亚洲成人app,国产1级毛片,刘涛最大尺度戏视频,欧美亚洲美女视频,2021韩国美女仙女屋vip视频