开启辅助访问
 找回密码
 立即注册

如何DESeq2做差异基因分析?

Daniel9545 回答数0 浏览数1299
|本文作者:莫北
异分析是大多组学分析流程的关键步骤。受价格、计算资源等因素的影响,组学试验设计的重复数较常规实验要少很多,比如很多文章生物学重复仅3~6个,在上市早期价格贵时甚至会没有生物学重复。且因为数据不符合正态分布,常规的t-检验,方差分析等差异检验方式无法使用。针对组学数据重复少、离散性大、文库大小不一等特点,差异分析需要使用专门的工具。
类似于edgeR、 limma等常见组学数据差异分析工具,DESeq2是一款非常受欢迎的差异分析工具,截至2021年3月,文章引用量达23700多次。下面就以具体的案例一起看下如何使用DESeq2做差异分析吧。
本文内容较长,建议收藏起来跟实操。内容主要包括DESeq2的安装、范例数据导入、构建DESeq2数据对象、比较组指定、差异基因分析、分析结果可视化等。
| 安装DESeq2包

#安装DESeq2包;
BiocManager::install("DESeq2")
#载入DESeq2包;
library(DESeq2)看到这里就看不懂啦?如果一点点R语言基础也没有,这里推荐你参加即将于2021年3月29日-4月2日举办的线上转录组培训班,课表如下:

报名方式:
发送姓名、学校、电话到邮箱contact@genedenovo.com,主题注明“XXX培训班”
联系:020-39341079或18054271626 邓小姐
<hr/>|输入数据

由于DESeq2分析过程中内部需要做文库矫正,因此,要求导入的数据必须是没有标准化过的整数reads counts。此外,DESeq2不支持无重复的数据分析。
本文的范例数据与DESeq2官方教程一致,来自"pasilla"包,数据集为研究RNAI knock-down 果蝇剪接因子 pasilla 后的影响。
#读入原始Counts(cts);
cts <- as.matrix(read.table("pasilla_gene_counts.tsv",
sep="\t", row.names=1,header=T))
head(cts)
#读入分组文件;
coldata <- read.csv("pasilla_sample_annotation.csv", row.names=1)
head(coldata)


#提取前2列,并将其转成因子;
coldata <- coldata[,c("condition","type")]
coldata$condition <- factor(coldata$condition)
coldata$type <- factor(coldata$type)
#检查样本的名称、顺序是否一致;
coldata

可以发现样本的名称和顺序都不一致,需要对其一做调整,否则后面会报错。Counts表格的列名与样本信息表格的行名必须相同。DESeq2不会猜测Counts矩阵的那一列与分组信息表格的相应的行相对应,必须以一致的顺序提供给DESeq2;同时还需要去掉coldata行名中的“fb”,这样两个表格的命名才是一致的。
#这里的sub()作用类似于linux 的sed命令;
rownames(coldata) <- sub("fb", "", rownames(coldata))
all(rownames(coldata) %in% colnames(cts))
#判断顺序是否一致;
all(rownames(coldata) == colnames(cts))
#对cts的列进行重排序;
cts <- cts[, rownames(coldata)]
all(rownames(coldata) == colnames(cts))
head(cts)
coldata

Tips:为了减少后面的脚本修改次数,变量名可与官方案例的一致。
|构建DESeq2对象dds

#使用count matrix(cts)和样本信息(coldata)表格, 构建DESeqDataSet(dds)对象;
dds <- DESeqDataSetFromMatrix(countData = cts,
colData = coldata,
design = ~ condition)
dds

|数据预过滤

虽然在运行DESeq2前没必要对低reads基因进行预过滤;但为了减少dds对象占内存的空间,提高计算速度,这里做了简单过滤,保留至少有10个reads的行。
dim(dds)
keep <- rowSums(counts(dds)) >= 10
dds <- dds[keep,]
dim(dds)
#可见过滤掉了4678个基因;

|指定比较组

默认情况下,R语言根据字母顺序为因子指定水平。如果未告诉DESeq2与哪个水平进行比较(例如,对照组),则基于字母顺序经行比较。
有两种指定比较组的方法:
#5.1.指定因子水平(要求对照组在前)
dds$condition <- factor(dds$condition, levels = c("untreated","treated"))
#5.2.或者直接指定对照组(对照组在前),此种方法更直观一点;
dds$condition <- relevel(dds$condition, ref ="untreated")
dds$condition

|差异分析(Differential expression analysis)

#使用DESeq()函数进行差异分析流程;
dds <- DESeq(dds)
#使用results()函数提取分析结果;
#treated vs untreated表示log2(treated/untreated),untreated为对照;
res <- results(dds)
res

#使用生成结果指定比较组的两种方法:
res <- results(dds, contrast=c("condition","treated","untreated"))
#name:the name of the individual effect (coefficient) 用于连续型变量;
#res <- results(dds, name="condition_treated_vs_untreated")
#也可改变顺序(引起log2FC列正负号变化而已);
res <- results(dds, contrast=c("condition","untreated","treated"))
#如果是多个分组,如何指定特定几个比较组?
# results(dds, contrast=c("condition","treated1","untreated"))
# results(dds, contrast=c("condition","treated2","untreated"))关于并行运算。DESeq()函数的运算耗时一般小于30s,results()函数提取现成结果非常快可不用并行运算。执行并行运算的方法一是使用DESeq()中parallel= TRUE,BPPARAM=MulticoreParam(4)两个参数;方法二是在分析前注册4个核心,然后DESeq()函数就可以并行运算了,这里设置4个核心。
#并行运算;
#library("BiocParallel")
#register(MulticoreParam(4))
#dds <- DESeq(dds,parallel = TRUE)

#关于p-values和adjusted p-values;
#根据p value,堆结果进行升序排列:
resOrdered <- res[order(res$pvalue),]
resOrdered

#统计adjusted p-values < 0.1 的基因数;
sum(res$padj < 0.1, na.rm=TRUE)
#默认情况下,参数alpha (adjusted p value cutoff)为0.1,当然也可以自定义例如,设为0.05;
res05 <- results(dds, alpha=0.05)
summary(res05)
sum(res05$padj < 0.05, na.rm=TRUE)

|分析结果可视化与导出

#MAplot;
plotMA(res, ylim=c(-2,2))
#可见,表达量(基因的样本平均counts)数值越大,离散度越小,差异倍数越小;

为了省事下游分析,DESeq2提供两种数据标准化方法:VST(variance stabilizing transformations)和rlog(regularized logarithm)。这两种方法都使用了log2缩放,并且已经进行了library size 或其他normalization factors的校正;这两种算法有着相同的特性,但大样本时(比如100个样本)VST运算更快,推荐使用VST。对于这两种算法的结果差异,本质上是y=log2(n+n0)公式中n0的估计值不一样。
提取两种算法标准化后的表达量:
#默认情况下blind=TRUE,但由于已经使用过DESeq()函数,无需重新估计dispersion值,因此这里blind=FALSE;
vsd <- vst(dds, blind=FALSE)
rld <- rlog(dds, blind=FALSE)
#对照:使用常规log2(n + 1)的标准化方法;
ntd <- normTransform(dds)
head(assay(vsd), 3)
head(assay(rld), 3)
head(assay(ntd), 3)

#导出标准化后的数据(可用于GSEA等下游分析);
write.csv(as.data.frame(assay(vsd)),
file="count_transformation_VST.csv")
write.csv(as.data.frame(assay(rld)),
file="count_transformation_rlog.csv")
#绘制离散度散点图(Dispersion plot);
#离群值未做收缩(shrunk);
plotDispEsts(dds)

#对标准化后的数据进行可视化;
#BiocManager::install("vsn")
library("vsn")
library(ggplot2)
library(cowplot)
ntd1 <- meanSdPlot(assay(ntd))
vsd1 <- meanSdPlot(assay(vsd))
rld1 <- meanSdPlot(assay(rld))
p1 <- ntd1$gg+ggtitle("log2(n+1)")
p2 <- vsd1$gg+ggtitle("VST")
p3 <- rld1$gg+ggtitle("rlog")
plot_grid(p1, p2,p3,ncol = 3)

可见使用log2(n+1)标准化方法在低counts区域标准差较大,相反,rlog算法较大;而使用VST标准化后数据的标准差比较稳定;注意,虽然VST方法看起来效果最好,但图中的纵轴为方差的平方根(标准差),需要注意可能为由实验处理产生的真实方差。
#使用标准化后平均表达量top100的基因绘制热图;
library("pheatmap")
select <- order(rowMeans(counts(dds,normalized=TRUE)),
decreasing=TRUE)[1:100]
df <- as.data.frame(colData(dds)[,c("condition","type")])
mycolors = colorRampPalette(c("orange", "white","purple"))(100)
pheatmap(assay(vsd)[select,], cluster_rows=FALSE, show_rownames=FALSE,
border_color=NA,color=mycolors,cluster_cols=FALSE, annotation_col=df)

#绘制样本距离聚类热图;
#计算样本距离矩阵;
sampleDists <- dist(t(assay(vsd)))
#由向量转成矩阵;
sampleDistMatrix <- as.matrix(sampleDists)
rownames(sampleDistMatrix) <- paste(vsd$condition, vsd$type, sep="-")
colnames(sampleDistMatrix) <- NULL

#绘制聚类热图;
library("RColorBrewer")
colors <- colorRampPalette( rev(brewer.pal(9, "Blues")) )(255)
pheatmap(sampleDistMatrix,
clustering_distance_rows=sampleDists,
clustering_distance_cols=sampleDists,
col=colors)


#PCA分析检查协变量和批次效应;
#生成pca作图数据;
pcaData <- plotPCA(vsd, intgroup=c("condition", "type"), returnData=TRUE)
#计算主成分的方差贡献率;
percentVar <- round(100 * attr(pcaData, "percentVar"))
ggplot(pcaData, aes(PC1, PC2, color=condition, shape=type)) +
geom_point(size=3) +
xlab(paste0("PC1: ",percentVar[1],"% variance")) +
ylab(paste0("PC2: ",percentVar[2],"% variance")) +
coord_fixed()

#导出差异分析结果数据;
write.csv(as.data.frame(resOrdered),
file="condition_treated_results.csv")

#如果只导出差异基因,可使用subset函数;
resSig <- subset(resOrdered, padj < 0.1)
resSig
write.csv(as.data.frame(resSig),
file="condition_treated_results_filtered.csv")|拓展内容:关于多因素差异分析

我们最常见的是单因素差异分析,单因素实验设计比较简单,无需考虑不同因素之间的交互效应,比如研究年龄、身高与体重之间的关系,很显然体重与身高之间也有互作关系。类似常规多因素方差分析,DESeq2也支持多因素差异分析。
#例如本范例的数据包含两个因素:condition和type;
#查看样本信息(表型信息);
colData(dds)
#创建(复制)一台新dds对象用于多因素差异分析;
ddsMF <- dds
levels(ddsMF$type)

#存在短线会出错(仅支持数字,点号,下划线),使用正则修改下名称;
#Tips: sub(pattern, replacement, x, ...)
levels(ddsMF$type) <- sub("-.*", "", levels(ddsMF$type))
levels(ddsMF$type)

#构建方程消除type(如批次效应)的影响(重点关心的因素放最后);
design(ddsMF) <- formula(~ type + condition)
ddsMF <- DESeq(ddsMF)
resMF <- results(ddsMF)
head(resMF)


好啦,今天的内容就分享到这里啦~文章内容比较多,建议大家收藏起来对着实操。率先观看更多工具教程、技术类文章可以关注基迪奥生物(gene-denovo)公众号。
当贝投影