【R高级教程】专题一 表达谱芯片的聚类分析.DOCVIP

【在国际上，R软件的应用是数据分析的主流发展趋势之一，但我发现在国内R软件的使用远不如SPSS、SAS等软件那么流行。为推广R软件的使用，本博客将陆续推出“R高级教程”系列专辑，希望对生命科学领域的科技工作者有少许帮助......】 ??????? 通常来讲，对于一般的统计分析，基于傻瓜式操作的SPSS（PASW）软件已经足够，但在涉及个性化要求很高的复杂数据处理时，SPSS就开始显得力不从心，这时必须依赖功能更为强大的SAS等软件。以前在自己的科研过程中分析数据多用SPSS、SAS等。在统计遗传和基因组学领域，SAS可以处理很多问题，但与此同时，SAS实现复杂问题过于麻烦，很多问题SAS也不是首选。后来开始运用R环境中的各种免费统计包，特别是Bioconductor的系列分析包，我发觉非常适合生命科学领域的研究者。R有很多优点： ?????（1）免费，不需要去寻找破解版，不用担心版权问题，使用非常方便； ???? （2）功能非常强大，单个包的功能比较有限，但多个包组合起来使用则功能无比强大，远胜于SPSS、SAS等； ???? （3）源代码开放，稍作修改后就能满足个性化的复杂统计分析，满足个性化需求是R的最大特点之一； ???? （4）程序阅读容易，再加上参考学习资料很多，上手比较容易，提高也不是很难，根据个人经验，要比SAS高级阶段的进阶容易许多； ???? （5）国际同行高度认同R，我发现很多专用软件都开发了软件的R版，今后R将是数据分析的主流发展方向。 ?????? R软件的安装、基本使用等初级教程就不谈了，随便在官方网站找个学习资料就搞定了。“R系列”专辑拟推出中级、高级分析教程。今天推出基因表达谱芯片的聚类分析专题。 ?????? 本专题示例芯片数据来自GEO数据库中检索号为GSE11787?的Affymetrix芯片的CEL文件，共6个CEL文件，3个正常对照组，3个HPS刺激组，为免疫器官脾脏的表达数据。 （一）原始数据的读入、RNA降解评估和标准化 ?pd - read.AnnotatedDataFrame(Target.txt,header=TRUE,s=1,as.is=TRUE)rawAffyData - ReadAffy(filenames=pData(pd)$FileName, phenoData=pd) summary(exprs(rawAffyData)) deg - AffyRNAdeg(rawAffyData)?plotAffyRNAdeg(deg, col=c(1,2,3,4,5,6))  eset - rma(rawAffyData) summary(exprs(eset)) op - par(mfrow=c(1,2))cols - brewer.pal(6, Set3)boxplot(rawAffyData,col=cols,names=1:6, main = unnormalized.data)boxplot(data.frame(exprs(eset)) ,names=1:6, main = normalization.data, col=blue, border=brown)par(op) （二）聚类分析 ?????? 原始数据读入，经AffyBatch目标转成ExpressionSet目标后，为提高后续分析（如差异表达基因的检测）的统计功效，往往需要进一步经过Detection Call Filter和IQR filter等过滤（“基因芯片数据的特异性过滤与非特异性过滤”将在另一专题里专门讨论）。 ????? 需要说明的是，常规做法是先筛选出差异表达基因，然后只用差异表达基因进行聚类分析（本示例直接用了过滤后的数据集，聚类图的效果稍差一点）。 （1）样本聚类 dd - dist2(log2(exprs(eset2)))diag(dd) - 0dd.row - as.dendrogram(hclust(as.dist(dd)))row.ord - order.dendrogram(dd.row)library(latticeExtra)legend - list(top = list(fun = dendrogramGrob,?args = list(x = dd.row, side = top)))lp - levelplot(dd[row.ord, row.ord],?scales = list(x = list(rot = 90)),?xlab = , ylab = , legend = legend)plot(lp) （2）二维聚类 source(/~tgirke/Documents/R_BioCond/My_R_Scripts