龙星课程—肿瘤生物信息学上机课程

曹莎Email:scaorobin@sina.com

课程安排• 各类数据类型的介绍，简单的 R 入门 ;• 基因表达数据和蛋白表达数据的相关性；• 差异性表达的检验 , 假阳性检验 (FDR), 批次

效应 (batch effect) ；• 基因突变数据以及表达通路的富集分析• 基因表达数据的相关性以及双聚类分析• 各类数据的整合 基因表达数据和 metabolic

profiling 的数据；基因表达数据和表观遗传数据的整合

数据类型的介绍—基因表达数据• Microarray– 高通量测量几万个探针– 精度较低

• 如何获取？– GEO Dataset, array-express, TCGA

• 这些数据有何信息？

•

使用microarray数据须知• Organism• Experimental design• Sample list (Sample distribution, sample size)• Platform

• Important!!!!

数据类型的介绍—基因表达数据• RNA-seq• 如何获取？– TCGA, SRA

• 这些数据测有何信息？

Data levels and data types

• https://tcga-data.nci.nih.gov/tcga/tcgaDataType.jsp

数据类型的介绍—基因组数据• Somatic point mutation• 如何获取？– TCGA, GEO SRA

• 这些数据测的是什么？有何信息？

数据类型的介绍—表观遗传数据• DNA 甲基化数据• 如何获取？– TCGA, GEO Dataset

• 这些数据测的是什么，有何信息？

数据类型的介绍—表观遗传数据• Histone modification 数据• 如何获取？– Very limited

• 这些数据测的是什么，有何信息？

数据类型的介绍—蛋白质组学数据

• Protein array• 如何获取？– TCGA, literature search

• 这些数据测的是什么？有何信息？

数据类型的介绍—代谢组学数据• Metabolic profiling• 如何获取？– literature search

• 这些数据测的是什么？有何信息？

简单的 R 入门• 简单的数据处理• 统计检验• 统计建模（回归，矩阵分解等）• 可视化

Print

• print(matrix(c(1,2,3,4), 2, 2))• print(list("a","b","c"))

Basis functions

• ls()• rm()• c() #creating a vector,

c() is a function• mode() #• class() #

• mean(x)• median(x)• sd(x)• var(x)• cor(x, y) #• cov(x, y)

Creating Sequences

• 1:5• 5:1• seq(from=0, to=20, by=5)• 1.1:10.1• 1.1:10.3• a<-rep(0,3)• rep(c(1,2,a),2)

Basic calculations

• +• -• *• /• %%• ^• %*% #matrix multiply

• log(x)• sin(x)• exp()

• e• Pi• Inf• NA

Data mode: Physical Typemode(3.1415) # Mode of a number[1] "numeric"> mode(c(2.7182, 3.1415)) # Mode of a vector of numbers[1] "numeric"> mode("Moe") # Mode of a character string[1] "character"

Data Class: Abstract type

• scalar• array (vector)• matrix• From array to matrix

• factor (looks like a vector, but has special properties, for Categorical variables or grouping)

• data.frame

data.frame matrix

• Same data mode in each column

• Unique Row/column names (rownames, colnames)

• One row of a data.frame is a data.frame

• as.data.frame(****)

• Same data mode in the whole matrix

• Can have repeated Row/column names

• One row of matrix is an array (vector)

• as.matrix(****)

这门课处理的数据类型• Clinical data-> data.frame• Experimental data-> data.frame or matrix– Microarray data– RNA seq data– Somatic mutation data– Protein array– DNA methylation data

Data combining

• cbind– Combine data by column

• rbind– Combine data by row

• Eg.a<-matrix(0,2,2)b<-matrix(1,2,2)cbind(a,b)rbind(a,b)

length

• a<-c(1:5)• length(a)

apply• Apply Functions Over Array Margins• apply(DATA, MARGIN, FUNCTION, ...)– MARGIN= 1 for rows; 2 for columns

• Eg.m <- matrix(c(1:10, 11:20), nrow = 10, ncol = 2)apply(m, 1, mean)apply(m, 2, mean)

Pattern 寻找• Which command• which(****),**** should be a logical operation• which(****), return the index of TRUE elements in

the logical operation• Eg

x<- floor(10*runif(10))xwhich(x<5)x[which(x<5)]

For loop

For loop: http://en.wikipedia.org/wiki/For_loop

In computer science a for loop is a programming language statement which allows code to be repeatedly executed

Question:Calculate the sum of all the values in the vector x<- floor(10*runif(10))

For loop

Real computer program!Eg.for(i in 1:100){print("Hello world!")print(i*i)}

For loop

for(*** in ***){}for(VARIABLE in TARGETSET){}for(i in 1:100){}x <-floor(10*runif(10)) total_x<-0for(i in 1:length(x)){

print(i)print(x[i])total_x<-total_x+x[i]

}

Working directory

• getwd()• setwd(“****”)• list.files()

• load(“****”)• save.image(“****”)

实例• 摘出 colon cancer 的 clinical information 中所

有二期和三期的样本

步骤• 将数据 load 进来• 找到数据中所有的期的信息• 用 for 循环将所有的一期，二期的样本摘出

来，并且合并所有的数据

R codesetwd("D:\\DragonStar\\dragon_star_data\\TCGA_colon_cancer_data")rm(list=ls())list.files()load("COAD_clinical_data.RData")data_clinical<-COAD_clinical_datadata_clinical$pathologic_stage<-as.character(data_clinical$pathologic_stage)head(data_clinical)table(data_clinical$pathologic_stage)all_stages<-unique(sort(data_clinical$pathologic_stage))all_I_II_stages<-all_stages[c(2,3,4,5,6,7)]all_I_II_stages<-c("Stage I","Stage IA","Stage II","Stage IIA","Stage IIB","Stage IIC")data_stage_I_II<-c()for(i in 1:length(all_I_II_stages)){

id<-which(data_clinical$pathologic_stage==all_I_II_stages[i])data_stage_I_II<-rbind(data_stage_I_II,data_clinical[id,])

}