基因在任意癌症表达量相关性

Original 刘小泽单细胞天地 2022-06-06

收录于合集 #第一期单细胞视频笔记汇总 21个

课程笔记

粉丝：有单细胞线上课程吗？

小编：什么？我们的单细胞转录组分析线上课程已经上线好久了，你们竟然都不知道吗，每篇推文后面的课程推荐没人看的吗，小编已哭晕在厕所

好了，戏演完了，下面郑重介绍下我们的单细胞线上课程：（详情戳下方链接）

全网第二个单细胞视频课程预售

这个课程笔记栏目记录了学员们学习单细胞转录组课程的学习笔记

希望大家能有所收获！

序言

第四单元第一讲：计算基因在任意癌症表达量相关性
课程链接在：http://jm.grazy.cn/index/mulitcourse/detail.html?cid=53

从题目可以看到，这次的主角有两个：基因和癌症中的表达量

针对第一个：我们要知道有哪些基因

从这个表中复制基因名，然后放到R中，但要注意它们中间是,分隔，因此要使用str_split 拆分成单独的字符串：

 1library(stringr)
 2vCAF='Esam, Gng11, Higd1b, Cox4i2, Cygb, Gja4, Eng'
 3vCAF=unlist(str_split(vCAF,', ')) # 或者直接使用 as.character(str_split(vCAF, ', '))
 4mCAF='Dcn, Col12a1, Mmp2, Lum, Mrc2, Bicc1, Lrrc15, Mfap5, Col3A1, Mmp14, Spon1, Pdgfrl, Serpinf1, Lrp1, Gfpt2, Ctsk, Cdh11, Itgbl1, Col6a2, Postn, Ccdc80, Lox, Vcan, Col1a1, Fbn1, Col1a2, Pdpn, Col6a1, Fstl1, Col5a2, Aebp1'
 5mCAF=unlist(str_split(mCAF,', '))
 6
 7> vCAF
 8[1] "Esam"   "Gng11"  "Higd1b" "Cox4i2" "Cygb"   "Gja4"   "Eng"   
 9> head(mCAF)
10[1] "Dcn"     "Col12a1" "Mmp2"    "Lum"     "Mrc2"    "Bicc1"

看到基因名的开头大写，其余小写，就说明是小鼠的基因名

针对第二个：如何获取癌症基因表达量信息

文章对四种癌症进行了讨论：breast cancer, pancreatic ductal adenocarcinoma, lung adenocarcinoma, and renal clear cell carcinoma

目的就是分别画这样一张图：

分析这张图片：这是一个相关性图，如果要做相关性的图，就要有数值型的数据，那么就是基因表达量了。我们现在有了基因名，缺的就是一个表达矩阵。因此如何获取表达矩阵就是最大的一个问题了

首先下载乳腺癌的表达矩阵

网址：https://xenabrowser.net/datapages/

但是如果从这里直接搜索BRCA的话，会有两个结果（这里选择GDC的表达矩阵）：

[GDC TCGA Breast Cancer (BRCA)](https://xenabrowser.net/datapages/?cohort=GDC TCGA Breast Cancer (BRCA)&removeHub=https%3A%2F%2Fxena.treehouse.gi.ucsc.edu%3A443) (20 datasets)
包含了6万多个基因的表达矩阵（60,489 identifiers X 1217 samples），因为它直接使用的GenCode注释文件，不管编码与否都算作基因；基因名用的Ensembl；使用了log2(count+1)
[TCGA Breast Cancer (BRCA)](https://xenabrowser.net/datapages/?cohort=TCGA Breast Cancer (BRCA)&removeHub=https%3A%2F%2Fxena.treehouse.gi.ucsc.edu%3A443) (30 datasets)
其中只有2万多个基因(20,531 identifiers X 1218 samples)，并且得到的是RSEM标准化表达量（使用了log2(norm_count+1)）；使用SYMBOL基因名

点击下图链接开始下载：文件大小133M

然后读入乳腺癌的表达矩阵

使用fread函数

 1library(data.table)
 2filepath <- file.choose()# 然后会弹出来一个对话框，找到自己下载的TCGA-BRCA.htseq_counts.tsv.gz，点OK，然后这个文件的路径就保存在了filepath
 3a=fread(filepath ,data.table=F)
 4dim(a)
 5# [1] 60488  1218
 6a[1:4,1:4]
 7# Ensembl_ID TCGA-E9-A1NI-01A TCGA-A1-A0SP-01A TCGA-BH-A201-01A
 8# 1 ENSG00000000003.13         8.787903        12.064743        11.801304
 9# 2  ENSG00000000005.5         0.000000         2.807355         4.954196
10# 3 ENSG00000000419.11        11.054604        11.292897        11.314017
11# 4 ENSG00000000457.12        10.246741         9.905387        11.117643

接着进行ID转换，Ensembl =》 Symbol ID

需要用到人类的物种注释包：org.Hs.eg.db

 1library(org.Hs.eg.db)
 2# 先看看包的简介
 3> org.Hs.eg.db
 4OrgDb object:
 5| DBSCHEMAVERSION: 2.1
 6| Db type: OrgDb
 7| Supporting package: AnnotationDbi
 8| DBSCHEMA: HUMAN_DB
 9| ORGANISM: Homo sapiens
10| SPECIES: Human
11| EGSOURCEDATE: 2019-Apr26
12| EGSOURCENAME: Entrez Gene
13| EGSOURCEURL: ftp://ftp.ncbi.nlm.nih.gov/gene/DATA
14...
15# 再看看这个注释包里有什么信息
16> head(ls("package:org.Hs.eg.db"))
17[1] "org.Hs.eg"          "org.Hs.eg.db"       "org.Hs.egACCNUM"    "org.Hs.egACCNUM2EG" "org.Hs.egALIAS2EG" 
18[6] "org.Hs.egCHR"  
19# 然后看看其中Ensembl的基因是什么样子
20> head(toTable(org.Hs.egENSEMBL))
21  gene_id      ensembl_id
221       1 ENSG00000121410
232       2 ENSG00000175899
243       3 ENSG00000256069
254       9 ENSG00000171428
265      10 ENSG00000156006
276      12 ENSG00000196136

发现相对于我们得到TCGA的Emsemble ID，它没有小数点后面的部分，因此我们也需要切割Ensembl ID =>str_split()

1library(stringr)
2esid=str_split(a$Ensembl_ID,
3                 '[.]',simplify = T)[,1]
4> head(esid)
5[1] "ENSG00000000003" "ENSG00000000005" "ENSG00000000419" "ENSG00000000457" "ENSG00000000460" "ENSG00000000938"
6rownames(a)=esid

开始进行ID转换 => select()或bitr()

这里二者结果一样

 1# 第一种方式：官方函数
 2e2s=select(org.Hs.eg.db,keys = esid,columns = c( "ENSEMBL" ,  "SYMBOL" ),keytype = 'ENSEMBL')
 3dim(e2s) 
 4# [1] 60686     2
 5#其中很大一部分的Ensemble ID是没有Symbol对应的。如果出去symbol为NA的值：最后也就剩下25591个基因
 6nrow(e2s)-sum(is.na(e2s$SYMBOL))
 7# [1] 25591
 8
 9# 第二种方式：R包函数
10library(clusterProfiler) 
11gene_tr <- bitr(esid, fromType = "ENSEMBL",
12                                  toType = "SYMBOL",
13                                  OrgDb = org.Hs.eg.db)
14 nrow(gene_tr)
15# 25591  
16
17identical(e2s$SYMBOL[!is.na(e2s$SYMBOL)],gene_tr$SYMBOL)
18# [1] TRUE

这样我们就同时拥有了Ensembl ID和Symbol ID：在TCGA矩阵中获取表达量用Emsembl ID，可视化用Symbol ID

 1# 小鼠基因变大写，然后挑出来存在于e2s的基因
 2vCAF=toupper(vCAF);vCAF=vCAF[vCAF %in% e2s$SYMBOL]
 3mCAF=toupper(mCAF);mCAF=mCAF[mCAF %in% e2s$SYMBOL]
 4# 得到匹配基因的Ensembl ID(总共38个基因)，准备去获取表达量
 5ng=e2s[match(c(vCAF,mCAF),e2s$SYMBOL),1]
 6mat=a[ng,]
 7mat=mat[,-1]
 8
 9dim(mat)
10# [1]   38 1217
11> mat[1:4,1:4] 
12                TCGA-E9-A1NI-01A TCGA-A1-A0SP-01A TCGA-BH-A201-01A TCGA-E2-A14T-01A
13ENSG00000149564        10.279611        10.059344        10.907642        10.458407
14ENSG00000127920         9.776433         9.726218        10.948367        10.496854
15ENSG00000131097         5.614710         4.857981         5.930737         6.658211
16ENSG00000131055         6.022368         6.129283         6.629357         6.475733

最后就是计算相关性，准备绘制热图

计算相关性就是利用cor()函数，但是有个问题，它是对行处理还是对列处理？

 1# 都不用去搜索，自己随便测试一下就能出来结果(新建一个矩阵，然后对它进行默认的相关性分析)
 2> matrix(1:10,nrow = 2)
 3     [,1] [,2] [,3] [,4] [,5]
 4[1,]    1    3    5    7    9
 5[2,]    2    4    6    8   10
 6> cor(matrix(1:10,nrow = 2))
 7     [,1] [,2] [,3] [,4] [,5]
 8[1,]    1    1    1    1    1
 9[2,]    1    1    1    1    1
10[3,]    1    1    1    1    1
11[4,]    1    1    1    1    1
12[5,]    1    1    1    1    1
13# 很明显，这是对列进行处理

因此，我们如果想看基因之间的相关性，就将上面的mat矩阵转置一下就可以：

1M=cor(t(mat))
2colnames(M)=c(vCAF,mCAF)
3rownames(M)=c(vCAF,mCAF)
4# 然后为了避免高表达量对许多低表达量的遮盖，我们进行一个标准化处理
5n=t(scale(t( M )))
6n[n>2]=2
7n[n< -2]= -2
8pheatmap::pheatmap(n,cluster_rows = F,cluster_cols = F)

典型的相关性热图

补充

在Xena数据库搜索pancreatic 会有5个数据集：

[GDC TCGA Pancreatic Cancer (PAAD)](https://xenabrowser.net/datapages/?cohort=GDC TCGA Pancreatic Cancer (PAAD)&removeHub=https%3A%2F%2Fxena.treehouse.gi.ucsc.edu%3A443) (14 datasets)
60,489 identifiers X 182 samples；log2(count+1)
下载地址：https://gdc.xenahubs.net/download/TCGA-PAAD.htseq_counts.tsv.gz （20M）
[Pancreatic Cancer (Balagurunathan 2008)](https://xenabrowser.net/datapages/?cohort=Pancreatic Cancer (Balagurunathan 2008)&removeHub=https%3A%2F%2Fxena.treehouse.gi.ucsc.edu%3A443) (2 datasets)
[Pancreatic Cancer (Harada 2008)](https://xenabrowser.net/datapages/?cohort=Pancreatic Cancer (Harada 2008)&removeHub=https%3A%2F%2Fxena.treehouse.gi.ucsc.edu%3A443) (2 datasets)
[Pancreatic Cancer (Jones 2008)](https://xenabrowser.net/datapages/?cohort=Pancreatic Cancer (Jones 2008)&removeHub=https%3A%2F%2Fxena.treehouse.gi.ucsc.edu%3A443) (2 datasets)
[TCGA Pancreatic Cancer (PAAD)](https://xenabrowser.net/datapages/?cohort=TCGA Pancreatic Cancer (PAAD)&removeHub=https%3A%2F%2Fxena.treehouse.gi.ucsc.edu%3A443) (25 datasets)
20,531 identifiers X 183 samples；log2(RSEM_norm_count+1)
下载地址：https://tcga.xenahubs.net/download/TCGA.PAAD.sampleMap/HiSeqV2.gz

在Xena数据库搜索lung adenocarcinoma 会有3个数据集：

[GDC TCGA Lung Adenocarcinoma (LUAD)](https://xenabrowser.net/datapages/?cohort=GDC TCGA Lung Adenocarcinoma (LUAD)&removeHub=https%3A%2F%2Fxena.treehouse.gi.ucsc.edu%3A443) (15 datasets)
60,489 identifiers X 585 samples
下载地址：https://gdc.xenahubs.net/download/TCGA-LUAD.htseq_counts.tsv.gz （63.8M）
[Lung Adenocarcinoma (Ding 2008)](https://xenabrowser.net/datapages/?cohort=Lung Adenocarcinoma (Ding 2008)&removeHub=https%3A%2F%2Fxena.treehouse.gi.ucsc.edu%3A443) (2 datasets)
[TCGA Lung Adenocarcinoma (LUAD)](https://xenabrowser.net/datapages/?cohort=TCGA Lung Adenocarcinoma (LUAD)&removeHub=https%3A%2F%2Fxena.treehouse.gi.ucsc.edu%3A443) (27 datasets)
20,531 identifiers X 576 samples
下载地址：https://tcga.xenahubs.net/download/TCGA.LUAD.sampleMap/HiSeqV2.gz

“

是否可以根据10X转录组数据来推断基因组CNV信息呢？

sc-RNA-seq Key issues guide

如果你对单细胞转录组研究感兴趣，但又不知道如何入门，也许你可以关注一下下面的课程