R绘图 | 两组genes的累积曲线分布比较！

出发点：

源自Single cell RNA sequencing to dissect the molecular heterogeneity in lupus nephritis 这篇文章中的一张图，如下所示，即累积曲线函数（CDF），想看看用自己的数据能否进行复现！这篇文章利用累积分布曲线评估两类基因群体的整体表达水平，P值为5.0e-8<0.05，两者差异显著，这说明在整体表达水平上，与Ubiquitous基因相比，IFN诱导基因显着上调。

image

图注：(C) Cumulative distribution function (CDF) of the ratio of averaged patient to healthy control keratinocytes for IFN-inducible genes (n = 212) and ubiquitous genes (n = 262) compared using the Mann-Whitney U test.

初步思考

针对上述图，分析其数据特点，X轴即为基因的差异倍数（做log2处理），Y轴为累积分布数值。
图中两条曲线，即两组数据，后期可用ggplot2绘图到一张。
根据图注，P值显著性采用的Mann-Whitney U test检验。后期用SPSS分析两组数据显著性，然后将P值添加到图中。

数据预处理

目前两组数据的差异倍数（log2(FC)）是有的，即X轴数据，那Y轴的累积分布数值如何得到呢？在此之前，先了解下累积分布函数。

1. 累积分布函数(Cumulative Distribution Function)

累积分布函数(Cumulative Distribution Function)，又叫分布函数，是概率密度函数的积分，能完整描述一个实随机变量X的概率分布。一般以大写CDF标记,与概率密度函数probability density function（小写pdf）相对。

累计分布函数的特性：

因为累计分布函数是计算x点左侧的点的数量，所以累计分布函数CDF是单调递增的。
CDF比没有直方图变化剧烈，但是CDF包含了相同的信息，并且减少了噪声。
由于CDF不存在装箱（分段），因此比直方图能更好的展现数据。
所有的CDF中，在x趋近最小值时，CDF趋近于0，当x趋近最大值时，CDF趋近于1（100%）
对于给定的数据集，CDF是唯一的，在分析变量的分布情况时，累计分布函数非常有用。

2. 如何计算累积分布数值？

将变量log2(FC)从小到大进行排序；
计算变量X的分位数值。另取一列命名为“CDF“，查看有多少行数据（此处为底部数据行序号-1），比如45行数据，则在C2单元格中输入“=1/45“，在C3单元格中输入 “=C2+1/45“，将选中C3单元格双击，将函数运用于余下单元格，计算变量X的分位数。
按照如此方式，得到两组数据的CDF数值，如下图。

image

具体该如何操作？

第一步：ggplot绘制出整体图形

##首先清除环境，安装并加载所需要的R包。
rm(list = ls()) #清除环境内存
options(download.file.method = 'libcurl')
options(url.method='libcurl')
#install.packages("ggplot2")
library(ggplot2)

#导入两组数据
test1 <- readxl::read_xlsx("data.xlsx",1)
colnames(test1)[2]<-"FC"  #后期绘图总会因log2产生错误，所以进行修改
test2 <- readxl::read_xlsx("data.xlsx",2)
colnames(test2)[2]<-"FC"  #后期绘图总会因log2产生错误，所以进行修改

#绘制线图
g=ggplot() + 
  geom_line(data=test1, aes(x=FC, y=CDF,color="red")) +
  geom_line(data=test2, aes(x=FC, y=CDF,color="black")) +
  xlab("Expressed genes average") + ylab("Cumulative Distribution") +   #定义X轴和Y轴的名称
  scale_color_manual(values=c("red", "black"),labels=c("IFN_neg_genes","IFN_pos_genes")) +
  scale_x_continuous(limits = c(-2,2),breaks=seq(-2,2,1)) +
  scale_y_continuous(expand=c(0,0),limits = c(0,1),breaks=seq(0,1,0.2)) +
  theme_bw(base_size=14)+   #去除灰色背景并设置字体大小
  theme(legend.position=c(0.8,0.85),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        legend.title=element_blank(),# 去除legend的名字
        axis.line = element_line(colour = "black"))   #去除背景格线
print(g)
ggsave(g,filename = "CDF.pdf",height = 7,width = 6)

image

第二步：SPSS软件进行Wilcoxon检验（Mann-Whitney U test），得到Pvalue，并添加至图中。

g=ggplot() + 
  geom_line(data=test1, aes(x=FC, y=CDF,color="red")) +
  geom_line(data=test2, aes(x=FC, y=CDF,color="black")) +
  xlab("Expressed genes average") + ylab("Cumulative Distribution") +   #定义X轴和Y轴的名称
  scale_color_manual(values=c("red", "black"),labels=c("IFN_neg_genes","IFN_pos_genes")) +
  scale_x_continuous(limits = c(-2,2),breaks=seq(-2,2,1)) +
  scale_y_continuous(expand=c(0,0),limits = c(0,1),breaks=seq(0,1,0.2)) +
  annotate("text", x = 1, y = 0.1, label = "P = 5.5414e-13") +  #添加P值
  theme_bw(base_size=14)+   #去除灰色背景并设置字体大小
  theme(legend.position=c(0.8,0.85),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        legend.title=element_blank(),# 去除legend的名字
        axis.line = element_line(colour = "black"))   #去除背景格线
  
print(g)
ggsave(g,filename = "CDF.pdf",height = 7,width = 6)

image