今天这个帖子,对我来说很有意义,我在最后要介绍一位心中的男神。
我每天努力学习就是为了消除心中的疑惑。 几年前,当我跟着别人的代码跑了个流程后,突破不了的是两个事情
1.如何不借助 excel 的拖拽,对芯片进行分组,
2.如何方便优雅全能地进行探针转换。
那个时候,R语言基础很差,处理不了数据,很有挫败感,所以就停止了R语言的学习。 直到我碰到了那个男人。
现在我解决了这个问题,分享给大家。
进入官网 https://www.ncbi.nlm.nih.gov/geo/
知道平台是GPL6244
这时候我们进入R语言,用GEOquery中的getGEO可以获得探针和基因名的信息 网络不好的可以直接略过
library(GEOquery)
GPL6244 <>'GPL6244',destdir ='.')
转换成数据框形式,有3万行,12列
GPL6244_anno <->->Table(GPL6244)
查看内容,我们发现基因名称藏在了gene_assignment这一列的中间
所以我们要把他和第一列id提取出来
library(dplyr)
library(tidyr)
probe2symbol_df <- gpl6244_anno="" %="">% ->
select(ID,gene_assignment) %>%
filter(gene_assignment != '---') %>%
separate(gene_assignment,c('drop','symbol'),sep='//') %>%
select(-drop)
看一下,数据已经被提取出来了。
假如getGEO这一步网络不好呢
library(GEOquery)
GPL6244 <>'GPL6244',destdir ='.')
我们在这个一开始的这个页面下载平台的soft文件
点击soft文件 下载解压 然后用data.table这个包中的fread即可阅读进来,注意,skip这个参数十分重要!!GPL6244_anno <>'./GSE42872_family.soft/GSE42872_family.soft',skip ='ID')
得到了GPL6244_anno,我们又可以运行下面的代码提出探针和基因名称对应的关系了。
library(dplyr)
library(tidyr)
probe2symbol_df <- gpl6244_anno="" %="">% ->
select(ID,gene_assignment) %>%
filter(gene_assignment != '---') %>%
separate(gene_assignment,c('drop','symbol'),sep='//') %>%
select(-drop)
R有很多注释包,首先我们要知道什么平台用什么R包。 我这里整理了一个对应关系
读入R语言platformMap <->->'platformMap.txt')
为了方便查询,我写了以下的代码,每次只要修改平台的名称即可
index <->->'GPL6244'
paste0(platformMap$bioc_package[grep(index,platformMap$gpl)],'.db')
输出的是,
'hugene10sttranscriptcluster.db'
安装并加载这个包
BiocInstaller::biocLite('hugene10sttranscriptcluster.db')
library(hugene10sttranscriptcluster.db)
使用toTable函数找到对应关系
probe2symbol_df <->->get('hugene10sttranscriptclusterSYMBOL'))
那探针ID转换的两种方法就讲完了
我们现在用的是矩阵文件exprSet,
我们要达到的效果是这个样的其实很简单,就是把两个数据框按照探针名称合并就可以了, 同时在这里,我们还需要把重复的探针去掉,方法就是计算每一个探针的平均值,留下最大的那个。
先调整两个数据框的探针名字和类型,方便合并
names(exprSet)[1] <->->1]
exprSet$probe_id <->->as.character(exprSet$probe_id)
然后,
library(dplyr)
exprSet <- exprset="" %="">% ->
inner_join(probe2symbol_df,by='probe_id') %>% #合并探针的信息
select(-probe_id) %>% #去掉多余信息
select(symbol, everything()) %>% #重新排列,
mutate(rowMean =rowMeans(.[grep('GSM', names(.))])) %>% #求出平均数(这边的.真的是画龙点睛)
arrange(desc(rowMean)) %>% #把表达量的平均值按从大到小排序
distinct(symbol,.keep_all = T) %>% # symbol留下第一个
select(-rowMean) %>% #反向选择去除rowMean这一列
tibble::column_to_rownames(colnames(.)[1]) # 把第一列变成行名并删除
这个代码的产生过程,以后再说。
这里的%>% 相当于Linux中的xargs,
Hadley Wickham真的是天才!
如果不是他的这个神包tidyverse以及健明给的鼓励 我可能到现在还入不了R的门!
联系客服