基因在任意癌症表达量相关性

2020 年 3 月 30 日
筆記

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：

library(stringr)  vCAF='Esam, Gng11, Higd1b, Cox4i2, Cygb, Gja4, Eng'  vCAF=unlist(str_split(vCAF,', ')) # 或者直接使用 as.character(str_split(vCAF, ', '))  mCAF='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'  mCAF=unlist(str_split(mCAF,', '))    > vCAF  [1] "Esam"   "Gng11"  "Higd1b" "Cox4i2" "Cygb"   "Gja4"   "Eng"  > head(mCAF)  [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

library(data.table)  filepath <- 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  a=fread(filepath ,data.table=F)  dim(a)  # [1] 60488  1218  a[1:4,1:4]  # Ensembl_ID TCGA-E9-A1NI-01A TCGA-A1-A0SP-01A TCGA-BH-A201-01A  # 1 ENSG00000000003.13         8.787903        12.064743        11.801304  # 2  ENSG00000000005.5         0.000000         2.807355         4.954196  # 3 ENSG00000000419.11        11.054604        11.292897        11.314017  # 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

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

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

开始进行ID转换 => select()或bitr()

这里二者结果一样

# 第一种方式：官方函数  e2s=select(org.Hs.eg.db,keys = esid,columns = c( "ENSEMBL" ,  "SYMBOL" ),keytype = 'ENSEMBL')  dim(e2s)  # [1] 60686     2  #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  nrow(e2s)-sum(is.na(e2s$SYMBOL))  # [1] 25591    # 第二种方式：R包函数  library(clusterProfiler)  gene_tr <- bitr(esid, fromType = "ENSEMBL",                                    toType = "SYMBOL",                                    OrgDb = org.Hs.eg.db)   nrow(gene_tr)  # 25591    identical(e2s$SYMBOL[!is.na(e2s$SYMBOL)],gene_tr$SYMBOL)  # [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

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

# 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)  > matrix(1:10,nrow = 2)       [,1] [,2] [,3] [,4] [,5]  [1,]    1    3    5    7    9  [2,]    2    4    6    8   10  > cor(matrix(1:10,nrow = 2))       [,1] [,2] [,3] [,4] [,5]  [1,]    1    1    1    1    1  [2,]    1    1    1    1    1  [3,]    1    1    1    1    1  [4,]    1    1    1    1    1  [5,]    1    1    1    1    1  # 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：

M=cor(t(mat))  colnames(M)=c(vCAF,mCAF)  rownames(M)=c(vCAF,mCAF)  # 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  n=t(scale(t( M )))  n[n>2]=2  n[n< -2]= -2  pheatmap::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