跟着NC学作图 | TCGA VS EMT500数据集评分比较

本教程原文:跟着NC学作图 | TCGA VS EMT500数据集评分比较

文章

Genomic and microenvironmental heterogeneity shaping epithelial-to-mesenchymal trajectories in cancer


「数据代码:」https://github.com/secrierlab/EMT

摘要

上皮-间充质转化(EMT)是癌症进展的关键细胞过程,具有多种中间状态,其分子特征仍然不明显。为了填补这一空白,我们提出了一种基于转录组信号强有力地评估个体肿瘤中 EMT 转化的方法。我们应用这种方法来探索7180个上皮起源肿瘤的 EMT 轨迹,并鉴定具有预后和治疗价值的三种宏观状态,归因于上皮,杂交 E/M 和间充质表型。我们表明,杂种状态是相对稳定的,并与增加的非整倍体有关。我们进一步利用空间转录组学和单细胞数据集来探索 EMT 转化的空间异质性,以及肿瘤微环境中与细胞毒性、 NK 细胞和成纤维细胞的不同相互作用模式。此外,我们提供了一个基因组事件的目录潜在的不同进化约束的 EMT 转化。这项研究揭示了 EMT 病程中不同阶段的病因,并强调了形成原发性肿瘤间充质转化的更广泛的基因组和环境标志。


图形绘制

导入数据

数据的前期准备,大家可以自己去论文中的查找,教程中不展开说明。教程的主要目的「是提供大家绘制类似图形的代码」。

input_cp_final2 <- read.table("HighConf_pseudotime_withEMT.txt",header = T)
head(input_cp_final2)
patients    tumors  mock_pseudospace    tgfb_pseudospace    EMT_scores
ACC.TCGA.OR.A5J1.01A.11R.A29S.07    ACC 52.3901898499394    42.4277905190899    1.23229228944451
ACC.TCGA.OR.A5J2.01A.11R.A29S.07    ACC 58.2219383281126    52.1312432022196    1.49097707952493
ACC.TCGA.OR.A5J3.01A.11R.A29S.07    ACC 51.5891775929671    41.0837306018038    1.36483064051018
ACC.TCGA.OR.A5J5.01A.11R.A29S.07    ACC 51.963211277127 46.4675216826843    1.79346466983594
ACC.TCGA.OR.A5J6.01A.31R.A29S.07    ACC 48.4272123781731    47.6193563695876    0.883014008020216
ACC.TCGA.OR.A5J7.01A.11R.A29S.07    ACC 62.4042554219295    88.0026656237261    1.10932266858008
ACC.TCGA.OR.A5J8.01A.11R.A29S.07    ACC 63.01585481594  58.0195945444141    2.73551973326235
ACC.TCGA.OR.A5J9.01A.11R.A29S.07    ACC 57.4298354766427    56.3298507121662    1.79610641797267
ACC.TCGA.OR.A5JA.01A.11R.A29S.07    ACC 60.0455600490082    70.6751155732968    1.48756584540459
ACC.TCGA.OR.A5JB.01A.11R.A29S.07    ACC 65.6103767426594    84.6863428316355    1.84836941118404

数据处理

input_cp_final2$new_ann<-rep("no",nrow(input_cp_final2))
## 分类
input_cp_final2$new_ann[grep(input_cp_final2$patients,pattern="TCGA")]<-"TCGA"  
input_cp_final2$new_ann[grep(input_cp_final2$patients,pattern="TCGA",invert=T)]<-"MET500"
input_cp_final2$new_ann<-as.factor(input_cp_final2$new_ann)
 patients tumors mock_pseudospace tgfb_pseudospace EMT_scores new_ann
1 ACC.TCGA.OR.A5J1.01A.11R.A29S.07    ACC         52.39019         42.42779   1.232292    TCGA
2 ACC.TCGA.OR.A5J2.01A.11R.A29S.07    ACC         58.22194         52.13124   1.490977    TCGA
3 ACC.TCGA.OR.A5J3.01A.11R.A29S.07    ACC         51.58918         41.08373   1.364831    TCGA
4 ACC.TCGA.OR.A5J5.01A.11R.A29S.07    ACC         51.96321         46.46752   1.793465    TCGA
5 ACC.TCGA.OR.A5J6.01A.31R.A29S.07    ACC         48.42721         47.61936   0.883014    TCGA
6 ACC.TCGA.OR.A5J7.01A.11R.A29S.07    ACC         62.40426         88.00267   1.109323    TCGA

High与Low分类

input_cp_final2$emt_status<-ifelse(input_cp_final2$EMT_scores>0,"High_EMT","Low_EMT")
summary(input_cp_final2$mock_pseudospace)
input_cp_final2$pseudospace_status<-ifelse(input_cp_final2$mock_pseudospace<=50,"Late_Pseudotime","Early_Pseudotime")
 patients tumors mock_pseudospace tgfb_pseudospace EMT_scores new_ann emt_status
1 ACC.TCGA.OR.A5J1.01A.11R.A29S.07    ACC         52.39019         42.42779   1.232292    TCGA   High_EMT
2 ACC.TCGA.OR.A5J2.01A.11R.A29S.07    ACC         58.22194         52.13124   1.490977    TCGA   High_EMT
3 ACC.TCGA.OR.A5J3.01A.11R.A29S.07    ACC         51.58918         41.08373   1.364831    TCGA   High_EMT
4 ACC.TCGA.OR.A5J5.01A.11R.A29S.07    ACC         51.96321         46.46752   1.793465    TCGA   High_EMT
5 ACC.TCGA.OR.A5J6.01A.31R.A29S.07    ACC         48.42721         47.61936   0.883014    TCGA   High_EMT
6 ACC.TCGA.OR.A5J7.01A.11R.A29S.07    ACC         62.40426         88.00267   1.109323    TCGA   High_EMT
  pseudospace_status
1   Early_Pseudotime
2   Early_Pseudotime
3   Early_Pseudotime
4   Early_Pseudotime
5    Late_Pseudotime

绘图

library(ggplot2)
library(ggridges)
library(corrplot)

ggplot(input_cp_final2, 
          aes(x=mock_pseudospace, y=EMT_scores,color=new_ann)) +
  geom_point(shape=18,size=2,alpha=0.5)+scale_x_reverse()+ 
  scale_color_manual(values=c('#ee0c0c','#B5B7FF'))+
  geom_smooth(aes(group=new_ann),method = "lm", formula = y ~ poly(x, 10),se=TRUE, linetype="dashed",color="blue")+
  geom_hline(yintercept=0, linetype="dashed", color = "black")+theme_classic()
input_cp_final3<-input_cp_final2[input_cp_final2$new_ann%in%"MET500",]
chisq <- chisq.test(table(input_cp_final3$pseudospace_status,input_cp_final3$emt_status)[2:1,])
contrib <- 100*chisq$residuals^2/chisq$statistic
corrplot(chisq$residuals, is.cor = FALSE)
corrplot(contrib, is.cor = FALSE)

「往期文章:」 「1. 最全WGCNA教程(替换数据即可出全部结果与图形)」

WGCNA分析 | 全流程分析代码 | 代码一

WGCNA分析 | 全流程分析代码 | 代码二

WGCNA分析 | 全流程代码分享 | 代码三

「2. 精美图形绘制教程」

精美图形绘制教程


小杜的生信筆記 ,主要发表或收录生物信息学的教程,以及基于R的分析和可视化(包括数据分析,图形绘制等);分享感兴趣的文献和学习资料!!

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 202,607评论 5 476
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,047评论 2 379
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 149,496评论 0 335
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,405评论 1 273
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,400评论 5 364
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,479评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,883评论 3 395
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,535评论 0 256
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,743评论 1 295
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,544评论 2 319
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,612评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,309评论 4 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,881评论 3 306
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,891评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,136评论 1 259
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 42,783评论 2 349
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,316评论 2 342

推荐阅读更多精彩内容