基因相关性的计算

单细胞转录组解析肥厚性心肌病发病机制里面看到计算某基因与其它基因的相关性

方法里写的是这样做的

之前没做过单细胞数据某个基因与其它基因的相关性,来试一试吧。

1. 读入数据

以pbmc3k为例

pbmc <- readRDS("pbmc.rds")
exprSet <- pbmc@assays[["RNA"]]@data  
exprSet<-as.data.frame(t(exprSet)) #转置

插曲:
在这里应该是使用@data还是@scale.data的数据纠结了一下

  • 小范同学认为:前面文献里写的做的是Pearson correlation,pearson要符合正态分布,要用Log后的数据做。
    另外,seurat里面有个GroupCorrelation函数,就是用的Log后数据去做pearson。他们认为Log后的数据,比较接近正态分布。scale这个过程可以看成把数据转换成更接近正态。
    在GroupCorrelation函数源代码里面,有个GetFeatureGroups函数

我们打开GetFeatureGroups函数的源代码,就可以看见明显的Log化

题外话:牵扯到整合多个样本来源不同测序手段或者测序深度不同的样本数据,去做某几个基因表达量的相关性,是不是最好用spearman比pearson更好?
对此专业人士表示:

额,好的,那就还是用pearson

扯远了...扯回来

  • 追风少年说:做correlation还是需要用标准化的矩阵,因为和普通转录组一样的测序深度保持一致,scale缩放成同一比例了,是用来做pca的

  • 但是jimmy老师

好吧...所以我这里用的还是@data (@scale.data的槽子是专门拿来做PCA的?)@data和@scale.data的区别见单细胞数据处理小细节汇总

2. 计算某个基因和其它基因的相关性(以S100A8为例)
y <- as.numeric(exprSet[,"ISG15"])
colnames <- colnames(exprSet)
cor_data_df <- data.frame(colnames)
for (i in 1:length(colnames)){
  test <- cor.test(as.numeric(exprSet[,i]),y,type="spearman")
  cor_data_df[i,2] <- test$estimate
  cor_data_df[i,3] <- test$p.value
}
names(cor_data_df) <- c("symbol","correlation","pvalue")
View(cor_data_df)
3. 筛选有意义的正相关和负相关的基因
library(dplyr)
library(tidyr)
cor_data_sig_pos <- cor_data_df %>%
  filter(pvalue < 0.01) %>% filter(correlation > 0)%>%
  arrange(desc(correlation))
cor_data_sig_neg <- cor_data_df %>%
  filter(pvalue < 0.01) %>% filter(correlation < 0)%>%
  arrange(desc(abs(correlation)))

得到1664个正相关基因和1615个负相关基因

4. 随机选取正相关和负相关基因,分别作图验证

正相关选S100A9

library(ggstatsplot)
ggscatterstats(data = exprSet,
               y = S100A8,
               x = S100A9,
               centrality.para = "mean",
               margins = "both",
               xfill = "#CC79A7",
               yfill = "#009E73",
               marginal.type = "densigram", # #类型可以换成density,boxplot,violin,densigram
               title = "Relationship between S100A8 and S100A9")

负相关选MALAT1

library(ggstatsplot)
ggscatterstats(data = exprSet,
               y = S100A8,
               x = MALAT1,
               centrality.para = "mean",
               margins = "both",
               xfill = "#CC79A7",
               yfill = "#009E73",
               marginal.type = "densigram", # #类型可以换成density,boxplot,violin,densigram
               title = "Relationship between S100A8 and MALAT1")

这两个图的更简单画法(SeuratFeatureScatter函数):

p1=FeatureScatter(pbmc, feature1 = "S100A8", feature2 = "S100A9")
p2=FeatureScatter(pbmc, feature1 = "S100A8", feature2 = "MALAT1")
p1|p2
最上面的系数就是Pearson相关系数
5. 其它分析
  • 第三部分得到了正相关和负相关基因以后,就可以画开头那张火山图了。
    画法参考:单细胞亚群差异基因火山图
  • 对正相关和负相关基因做富集,推断目的基因功能。
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
禁止转载,如需转载请通过简信或评论联系作者。
  • 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 204,189评论 6 478
  • 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 85,577评论 2 381
  • 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 150,857评论 0 337
  • 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 54,703评论 1 276
  • 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 63,705评论 5 366
  • 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 48,620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 37,995评论 3 396
  • 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 36,656评论 0 258
  • 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 40,898评论 1 298
  • 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 35,639评论 2 321
  • 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 37,720评论 1 330
  • 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 33,395评论 4 319
  • 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 38,982评论 3 307
  • 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 29,953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 31,195评论 1 260
  • 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 44,907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 42,472评论 2 342

推荐阅读更多精彩内容