基因Signature与GO功能注释和通路之间的相关性分析

简介

此代码是较为用户友好型的脚本，用于某一特征基因集与功能、通路之间的相关性分析，其中有较多可供选择的参数，且可以自定义参数组合进行相关性分析。
PS：也可以用于单个基因与功能、通路之间的相关性分析。
此外还提供了将基因集统一转换为Symbol以及批量运行多种参数组合的批处理脚本。

下载与安装

直接下载并在本地使用

内容

• GeneSignature-Pathways_Correlation.Rmd：相关性分析
• GSEA_GeneSets_ID2Symbol.Rmd：GeneID基因集转换为Symbol
• GSEA_GeneSets_Normalize2Symbol.Rmd：GeneName基因集转换为Symbol的脚本（不推荐
• loop.R：多种参数组合的批量相关性分析
• .\lib\GeneSignature-Pathways_Correlation_Function.R：GeneSignature-Pathways_Correlation.Rmd的配套自定义函数

介绍与使用

一、GeneSignature-Pathways_Correlation.Rmd

（一）介绍

该代码通过使用基因表达谱信息，分析某一个Gene Signature与GO功能注释、Pathway通路之间的相关性分析。Gene Signature是一组具有生物学意义的基因集合，通过该组基因集的表达计算该Signature的打分，来代表该Signature在样本中的表达情况。
（ps：支持输入单个基因，计算该基因与各功能、通路之间的相关性

（二）使用

1. 材料
   注意：运行脚本需要将所有原始数据放置于工作目录下的data文件夹中

   1. 表达谱数据：来自TCGA或CGGA的数据，或者其他表达谱数据
      数据要求：行为基因，列为样本，且为csv格式
      • TCGA数据：可以从TCGA官网下载数据并通过script：TCGA_Rawdata_Merge-Expression.Rmd，或者其他方式获得
      • CGGA数据：可以从CGGA官网下载数据并通过Project：CGGA_RawData_Merge-Combat，或其他方式获得
      • 其他表达谱数据
   2. Gene名称对应Symbol注释文件
      推荐从NCBI GENE上下载Homo_sapiens.gene_info.csv
   3. GO功能注释和通路基因集
      数据要求：需为gmt格式
      推荐从GSEA MSigDB网站上下载Gene ID组成的基因集文件
      （原因：若下载Gene Symbols的文件，基因集会少于网站所展示的数量，同时部分基因并不是Symbol）
      注意：
      • 需要同时下载GO功能注释和Pathway的基因集，或者内部手动修改代码从而仅计算与其中一个的相关性。
      • 可以通过GSEA_GeneSets_ID2Symbol.Rmd或者GSEA_GeneSets_Normalize2Symbol.Rmd将基因集统一转换为Symbol
   4. 配套自定义函数集
      .\lib\GeneSignature-Pathways_Correlation_Function.R：GeneSignature-Pathways_Correlation.Rmd

2. 参数
   建议所有路径信息都为绝对路径。若将该脚本放置于工作目录下双击打开，可以选择使用相对路径

   • workdir：工作目录
   • libdir：配套自定义函数集
   • expression_file：表达谱数据
     • "\data\XXX.csv"
   • GOGeneSet：GO基因集
     • "\data\XXX.gmt"
   • PWGeneSet：Pathway基因集
     • "\data\XXX.gmt"
   • GeneSet_Name_Normalized：基因集基因名称是否通过GSEA_GeneSets_ID2Symbol.Rmd或GSEA_GeneSets_Normalize2Symbol.Rmd进行转换
     • TRUE
     • FALSE
   • GeneNameAnno：Gene名称对应Symbol注释文件
     • "\data\XXX.csv"
   • SignatureGenes_Name：基因Signature的名称或单个基因名称
     • "m6A_Signature_Genes"
     • "STK26"
   • SignatureGenes：基因Signature中基因集，用逗号","分隔
   • corAnalysis_Method：相关性分析方法：
     • "pearson"
     • "spearman"
   • calOrder：计算Signature时标准化的选择：
     • "standFirst"：每个基因先在所有样本中进行标准化，再计算Signature Score
     • "calFirst"：先计算Signature Score，再进行标准化
     • "noStand"：不进行标准化
   • pickMethod：计算Signature Score的方法：
     • "mean"：每个样本中Signature Genes的平均表达值
     • "median"：每个样本中Signature Genes的中间表达值
   • log：对数转换
     • "log2(n)"
     • "log2(n+1)"
     • FALSE
   • exp：取幂
     • TRUE
     • FALSE

二、GSEA_GeneSets_ID2Symbol.Rmd

（一）介绍

该代码用于将从GESA MSigDB网站上下载的Gene IDs组成的基因集，统一转换成Gene Symbol的形式

（二）使用

1. 材料
   注意：运行脚本需要将所有原始数据放置于工作目录下的data文件夹中
   1. Gene名称对应Symbol注释文件
      推荐从NCBI GENE上下载Homo_sapiens.gene_info.csv
   2. GO功能注释和通路的GeneID基因集
      数据要求：需为gmt格式
      从GSEA MSigDB网站上下载Gene ID组成的基因集文件
      注意：
      • 需要同时下载GO功能注释和Pathway的基因集，或者内部手动修改代码从而仅计算与其中一个的相关性。
2. 参数
   • workdir：工作目录
   • libdir：配套自定义函数集
   • resultsdir：结果文件夹（不建议更改
   • picsdir：图片文件夹（不建议更改
   • GOGeneset：GO基因集
     • "\data\XXX.gmt"
   • PWGeneSet：Pathway基因集
     • "\data\XXX.gmt"
   • GeneNameAnno：Gene名称对应Symbol注释文件
     • "\data\XXX.csv"

三、GSEA_GeneSets_Normalize2Symbol.Rmd

（一）介绍

该代码用于将从GESA MSigDB网站上下载的Gene Symbols组成的基因集，统一转换成Gene Symbol的形式

（二）使用

1. 材料
   注意：运行脚本需要将所有原始数据放置于工作目录下的data文件夹中
   1. Gene名称对应Symbol注释文件
      推荐从NCBI GENE上下载Homo_sapiens.gene_info.csv
   2. GO功能注释和通路的GeneID基因集
      数据要求：需为gmt格式
      从GSEA MSigDB网站上下载Gene Symbols组成的基因集文件
      注意：
      • 需要同时下载GO功能注释和Pathway的基因集，或者内部手动修改代码从而仅计算与其中一个的相关性。
2. 参数
   • workdir：工作目录
   • libdir：配套自定义函数集
   • resultsdir：结果文件夹（不建议更改
   • picsdir：图片文件夹（不建议更改
   • GOGeneset：GO基因集
     • "\data\XXX.gmt"
   • PWGeneSet：Pathway基因集
     • "\data\XXX.gmt"
   • GeneNameAnno：Gene名称对应Symbol注释文件
     • "\data\XXX.csv"

四、loop.R

（一）介绍

该脚本为相关性分析的批处理脚本，可以输入不同参数组合进行批量运算。

（二）使用

1. 参数

   • rmd：GeneSignature-Pathways_Correlation.Rmd所在位置和该rmd文件

   • workdir：工作目录

   • libdir：配套自定义函数集目录

   • expr_file：表达谱数据

     • "\data\XXX.csv"

   • GOGeneset：GO基因集

     • "\data\XXX.gmt"

   • PWGeneSet：Pathway基因集

     • "\data\XXX.gmt"

   • GeneSet_Name_Normalized：基因集基因名称是否通过GSEA_GeneSets_ID2Symbol.Rmd或GSEA_GeneSets_Normalize2Symbol.Rmd进行转换

     • TRUE
     • FALSE

   • GeneNameAnno：Gene名称对应Symbol注释文件

     • "\data\XXX.csv"

   • SignatureGenes_Name：基因Signature的名称或单个基因名称

     • "m6A_Signature_Genes"
     • "STK26"

   • SignatureGenes：基因Signature中基因集，用逗号","分隔

   • corAnalysis_Methods：相关性分析方法（单个字符串/向量）

     • "pearson"
     • "spearman"

   • calOrders：计算Signature时标准化的选择（单个字符串/向量）

     • "standFirst"：每个基因先在所有样本中进行标准化，再计算Signature Score
     • "calFirst"：先计算Signature Score，再进行标准化
     • "noStand"：不进行标准化

   • pickMethods：计算Signature Score的方法（单个字符串/向量）

     • "mean"：每个样本中Signature Genes的平均表达值
     • "median"：每个样本中Signature Genes的中间表达值

   • exps：取幂（单个字符串/向量）

     • TRUE
     • FALSE

   • logs：对数转换（单个字符串/向量）

     • "log2(n)"
     • "log2(n+1)"
     • FALSE

结语

这个Project是我在硕士生涯中第一份工作，由于参考文献中没有完善的流程介绍，所以一切的一切都是从零开始摸索，包括（TCGA和）CGGA的数据下载及预处理（去批次效应）；包括怎么计算Signature的打分（median/exp的组合是另一篇老师推给的文献中使用的方法；而log(n+1)是GEPIA2中使用的方法；预先进行标准化，并且取平均值是肖肖老师给出的很棒的指导，对此我深信不疑）；包括最后相关性分析的使用。耗时两个月经过艰辛的过程（hh好像也没有特别的艰辛），最终摸索出来的这么一套Protocal。感谢在这之中为我提供思路与帮助的添枝老师、肖肖老师和我的好朋友Merle Zhang。

截至我完善这篇README文档为止，文献的图也没有能够完全的复现出来的。喜人的是，使用我认为较为正确的一套参数组合后，经TCGA和CGGA数据计算出的强正相关性的功能与通路基本一致，但强负相关性的overlap结果差强人意，CGGA的最终计算得到的负相关性的数据也很少。后续可能要继续尝试其他参数组合（CGGA的样本量太大每次计算一个参数组合就要3、4h左右orz）。

总之，能够近乎完成这样的一个Project内心多少还是有一点自豪感的，都说代码人最快乐的时候就是当自己的代码普适性很高，于是乎就可以拿着一杯果茶看着代码在后台自己慢慢跑，就好像看着自己长大了的小孩子一样。

如果你有兴趣看我这比较水的代码并提出一些改良的意见，我会非常感谢你的:)。

就这样，Peace out.