DESeq2和EdgeR都可用于做基因差異表達(dá)分析，主要也是用于RNA-Seq數(shù)據(jù)，同樣也可以處理類似的ChIP-Seq,shRNA以及質(zhì)譜數(shù)據(jù)。

這兩個(gè)都屬于R包，其相同點(diǎn)在于都是對(duì)count data數(shù)據(jù)進(jìn)行處理，都是基于負(fù)二項(xiàng)分布模型。因此會(huì)發(fā)現(xiàn)，用兩者處理同一組數(shù)據(jù)，最后在相同閾值下篩選出的大部分基因都是一樣的，但是有一部分不同應(yīng)該是由于其估計(jì)離散度的不同方法所導(dǎo)致的。 ### DESeq2的使用方法：

輸入矩陣數(shù)據(jù)，行名為sample，列名為gene；DESeq2不支持無生物學(xué)重復(fù)的數(shù)據(jù)，因此我選擇了2個(gè)樣本，3個(gè)生物學(xué)重復(fù)的數(shù)據(jù)；并對(duì)count data取整(經(jīng)大神指點(diǎn)，這里需要說明下，我的測試數(shù)據(jù)readcount是RSEM定量的結(jié)果，并不是常見的htseq-count的結(jié)果，所以count值會(huì)有小數(shù)點(diǎn)，而DESeq2包不支持count數(shù)有小數(shù)點(diǎn)，所以這里需要round取整)。

database_all

database

type

database

設(shè)置分組信息以及構(gòu)建dds對(duì)象

condition

coldata

dds

使用DESeq函數(shù)進(jìn)行估計(jì)離散度，然后進(jìn)行標(biāo)準(zhǔn)的差異表達(dá)分析，得到res對(duì)象結(jié)果

dds

res

最后設(shè)定閾值，篩選差異基因，導(dǎo)出數(shù)據(jù)

table(res$padj <0.05)

res

resdata

write.csv(resdata,file = "LC_1_vs_LC_2.csv")

EdgeR的使用方法：

跟DESeq2一樣，EdgeR輸入矩陣數(shù)據(jù)，行名為sample，列名為gene；DESeq2不支持無生物學(xué)重復(fù)的數(shù)據(jù)，因此我選擇了2個(gè)樣本，3個(gè)生物學(xué)重復(fù)的數(shù)據(jù)。

exprSet_all

exprSet

group_list

設(shè)置分組信息，去除低表達(dá)量的gene以及做TMM標(biāo)準(zhǔn)化

exprSet 1) >= 2,]

exprSet

exprSet

使用qCML(quantile-adjusted conditional maximum likelihood)估計(jì)離散度(只針對(duì)單因素實(shí)驗(yàn)設(shè)計(jì))

exprSet

exprSet

尋找差異gene(這里的exactTest函數(shù)還是基于qCML并且只針對(duì)單因素實(shí)驗(yàn)設(shè)計(jì))，然后按照閾值進(jìn)行篩選即可

et

tTag

tTag

write.csv(tTag,file = "LC_1_vs_LC_2_edgeR.csv")

Summary

以上我主要針對(duì)單因素兩兩比較組進(jìn)行差異分析，其實(shí)DESeq2和EdgeR兩個(gè)R包都可以對(duì)多因素進(jìn)行差異分析。

DESeq2修改以上代碼的分組信息design參數(shù)以及在差異分析results函數(shù)中添加所選定的分組因素，其他代碼基本一樣，具體參照DESeq2手冊

EdgeR則需要用Cox-Reid profile-adjusted likelihood (CR)方法來估算離散度，y

總結(jié)

以上是生活随笔為你收集整理的edger多组差异性分析_简单使用DESeq2/EdgeR做差异分析的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。