生信人的20個R語言習題
請先看：生信人的linux考試
- 安裝一些R包：
數據包： ALL, CLL, pasilla, airway
軟件包：limma，DESeq2，clusterProfiler
工具包：reshape2
繪圖包：ggplot2
不同領域的R包使用頻率不一樣，在生物信息學領域，尤其需要掌握bioconductor系列包。
1 安裝R包
# rm(list = ls())
options()$repos
options()$BioC_mirror
options(BioC_mirror="https://mirrors.ustc.edu.cn/bioc/")
options("repos" = c(CRAN="https://mirrors.tuna.tsinghua.edu.cn/CRAN/"))
options()$repos
options()$BioC_mirror
if (!requireNamespace("BiocManager", quietly = TRUE))
install.packages("BiocManager")
BiocManager::install(c(" ALL","CLL","pasilla","airway" ),ask = F,update = F) #數據包,ask=F表示不詢問中間過程和不升級
BiocManager::install(c("limma","DESeq2","clusterProfiler" ),ask = F,update = F) # 軟件包
BiocManager::install(c("genefu","org.Hs.eg.db","hgu133plus2.db" ),ask = F,update = F)
BiocManager::install(c("reshape2"),ask = F,update = F) # 工具包
BiocManager::install(c("ggplot2"),ask = F,update = F) # 繪圖包
#另外可以檢測某個包是否存在，只有不存在時才會安裝 if (! require ('CLL')){ options(BioC_mirror="http://mirrors.ustc.edu.cn/bioc/")
BiocInstaller::biocLite('CLL',ask = F, suppressUpdates = T) }
- 了解ExpressionSet對象，比如
CLL包里面就有data(sCLLex)，找到它包含的元素，提取其表達矩陣(使用exprs函數)，查看其大小
suppressPackageStartupMessages(library(CLL))
data(sCLLex)
exprSet=exprs(sCLLex)
##sCLLex是依賴于CLL這個package的一個對象
samples=sampleNames(sCLLex)
pdata=pData(sCLLex)
group_list=as.character(pdata[,2])
dim(exprSet)
# [1] 12625 22
exprSet[1:5,1:5]
# CLL11.CEL CLL12.CEL CLL13.CEL CLL14.CEL CLL15.CEL
# 1000_at 5.743132 6.219412 5.523328 5.340477 5.229904
# 1001_at 2.285143 2.291229 2.287986 2.295313 2.662170
# 1002_f_at 3.309294 3.318466 3.354423 3.327130 3.365113
# 1003_s_at 1.085264 1.117288 1.084010 1.103217 1.074243
# 1004_at 7.544884 7.671801 7.474025 7.152482 6.902932
- 了解 str,head,help函數，作用于 第二步提取到的表達矩陣
str(exprSet)
# str: Compactly display the internal structure of an R object, a diagnostic function and an alternative to summary (and to some extent, dput).
head(exprSet)
- 安裝并了解
hgu95av2.db包,看看ls("package:hgu95av2.db")后 顯示的那些變量
BiocManager::install("hgu95av2.db")
library("hgu95av2.db")
ls("package:hgu95av2.db")
[1] "hgu95av2" "hgu95av2.db" "hgu95av2_dbconn" "hgu95av2_dbfile"
[5] "hgu95av2_dbInfo" "hgu95av2_dbschema" "hgu95av2ACCNUM" "hgu95av2ALIAS2PROBE"
[9] "hgu95av2CHR" "hgu95av2CHRLENGTHS" "hgu95av2CHRLOC" "hgu95av2CHRLOCEND"
[13] "hgu95av2ENSEMBL" "hgu95av2ENSEMBL2PROBE" "hgu95av2ENTREZID" "hgu95av2ENZYME"
[17] "hgu95av2ENZYME2PROBE" "hgu95av2GENENAME" "hgu95av2GO" "hgu95av2GO2ALLPROBES"
[21] "hgu95av2GO2PROBE" "hgu95av2MAP" "hgu95av2MAPCOUNTS" "hgu95av2OMIM"
[25] "hgu95av2ORGANISM" "hgu95av2ORGPKG" "hgu95av2PATH" "hgu95av2PATH2PROBE"
[29] "hgu95av2PFAM" "hgu95av2PMID" "hgu95av2PMID2PROBE" "hgu95av2PROSITE"
[33] "hgu95av2REFSEQ" "hgu95av2SYMBOL" "hgu95av2UNIGENE" "hgu95av2UNIPROT"
- 理解
head(toTable(hgu95av2SYMBOL))的用法，找到 TP53 基因對應的探針ID
- 理解探針與基因的對應關系，總共多少個基因，基因最多對應多少個探針，是哪些基因，是不是因為這些基因很長，所以在其上面設計多個探針呢？
- 第二步提取到的表達矩陣是12625個探針在22個樣本的表達量矩陣，找到那些不在
hgu95av2.db包收錄的對應著SYMBOL的探針。- 提示：有1165個探針是沒有對應基因名字的。
- 過濾表達矩陣，刪除那1165個沒有對應基因名字的探針。
- 整合表達矩陣，多個探針對應一個基因的情況下，只保留在所有樣本里面平均表達量最大的那個探針。
- 提示，理解 tapply,by,aggregate,split 函數 , 首先對每個基因找到最大表達量的探針。
- 然后根據得到探針去過濾原始表達矩陣
- 把過濾后的表達矩陣更改行名為基因的symbol，因為這個時候探針和基因是一對一關系了。
- 對第10步得到的表達矩陣進行探索，先畫第一個樣本的所有基因的表達量的boxplot,hist,density ， 然后畫所有樣本的 這些圖
- 參考：http://bio-info-trainee.com/tmp/basic_visualization_for_expression_matrix.html
- 理解ggplot2的繪圖語法，數據和圖形元素的映射關系
- 理解統計學指標mean,median,max,min,sd,var,mad并計算出每個基因在所有樣本的這些統計學指標，最后按照mad值排序，取top 50 mad值的基因，得到列表。
- 注意：這個題目出的并不合規，請仔細看。
- 根據第12步驟得到top 50 mad值的基因列表來取表達矩陣的子集，并且熱圖可視化子表達矩陣。試試看其它5種熱圖的包的不同效果。
- 取不同統計學指標mean,median,max,mean,sd,var,mad的各top50基因列表，使用UpSetR包來看他們之間的overlap情況。
- 在第二步的基礎上面提取
CLL包里面的data(sCLLex)數據對象的樣本的表型數據。 - 對所有樣本的表達矩陣進行聚類并且繪圖，然后添加樣本的臨床表型數據信息(更改樣本名)
- 對所有樣本的表達矩陣進行PCA分析并且繪圖，同樣要添加表型信息。
- 根據表達矩陣及樣本分組信息進行批量T檢驗，得到檢驗結果表格
- 使用limma包對表達矩陣及樣本分組信息進行差異分析，得到差異分析表格，重點看logFC和P值，畫個火山圖(就是logFC和-log10(P值)的散點圖。)。
- 對T檢驗結果的P值和limma包差異分析的P值畫散點圖，看看哪些基因相差很大。
