您好,登录后才能下订单哦!
这期内容当中小编将会给大家带来有关sleuth基于TPM值sleuth进行的差异分析是怎样的,文章内容丰富且以专业的角度为大家分析和叙述,阅读完这篇文章希望大家可以有所收获。
kallisto等alignment-free转录本定量软件,会给出TPM
值的定量结果。基于这种类型的结果进行差异分析时,有两种策略可以选择。
第一种是采用tximport
R包,将结果导入到DESeq2
种进行分析;第二种是直接采用sleuth
R包进行差异分析。本章主要介绍sleuth
的使用。
这个包的源代码存放在github上,链接如下
https://github.com/pachterlab/sleuth
github上的R包其安装方式比较特殊, 具体过程如下
source("http://bioconductor.org/biocLite.R") biocLite("rhdf5") library(devtools) install_github("pachterlab/sleuth")
首先从Bioconductor上安装依赖的rhdf5
包,因为kallisto的定量结果为HDF5格式,这个R包用来读取数据,然后采用devtools
这个R包,自动从github的源代码进行安装。
所有差异分析需要的都是定量结果和样本分组这两个基本元素,只不过不同的R包要求的格式不同。在sleuth
中,将这两种信息存储在一个三列的数据框中,示例如下
> s2c samples group paths 1 control-1 control kallisto/control-1 2 control-2 control kallisto/control-2 3 control-3 control kallisto/control-3 4 case-1 case kallisto/case-1 5 case-2 case kallisto/case-2 6 case-3 case kallisto/case-3
第一列为样本名称,第二列为样本对应的分组信息,第三列为每个样本kallisto定量结果的文件夹。通过这样的一个数据框,就包含了差异分析所需的所有信息。
假定有6个样本,分成control,case 两组, 每组3个生物学重复,可以通过以下代码构建上述的数据框
samples = c( "control-1", "control-2", "control-3", "case-1", "case-2", "case-3") s2c <- data.frame( samples = samples, group = rep(c("control", "case"), each = 3), paths = paste("kallisto", samples, sep = "/") )
上述代码要求将所有样本的定量结果放在同一个文件夹下,目录结构如下
kallisto/ ├── control-1 ├── control-2 ├── control-3 ├── case-1 ├── case-2 └── case-3
上述数据框准备好之后,就可以读取数据进行差异分析了,完整的代码如下
library(sleuth) so <- sleuth_prep(s2c, extra_bootstrap_summary = TRUE) so <- sleuth_fit(so, ~condition, 'full') so <- sleuth_fit(so, ~1, 'reduced') so <- sleuth_lrt(so, 'reduced', 'full') sleuth_table <- sleuth_results(so, 'reduced:full', 'lrt', show_all = FALSE)
上述就是小编为大家分享的sleuth基于TPM值sleuth进行的差异分析是怎样的了,如果刚好有类似的疑惑,不妨参照上述分析进行理解。如果想知道更多相关知识,欢迎关注亿速云行业资讯频道。
免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。