轉(zhuǎn)錄組差異基因分析有很多包，常見的或者公認的卻只有這么幾種，edgeR包介紹完之后，我想所有人應該能夠輕松應對普通轉(zhuǎn)錄組的差異分析了。

還是利用上節(jié)的數(shù)據(jù)：

setwd("F:/生物信息學")
A <- read.csv("GSE169758_markdup.featco.2.counts.csv",header = T,row.names = 1)

安裝并加載R包：

BiocManager::install('edgeR')
library(edgeR)

edgeR包的應用很廣，可應用于基因、外顯子、轉(zhuǎn)錄本的差異表達。edgeR包還有個功能是可以分析沒有生物學重復的樣本，從幫助文檔查看獲取合適的方法，當樣本沒有重復，但是想看差異的時候可以試試。但是還是建議所有的生物學實驗都設置重復?。?！

edgeR需要傳入的數(shù)據(jù)也是row counts。指定分組：

group <- rep(c('Mcc', 'Pan'), each = 6)

構建 DGEList 對象：

dgelist <- DGEList(counts = A, group = group)

過濾低質(zhì)量count 數(shù)據(jù)，并對數(shù)據(jù)進行標準化：

keep <- rowSums(cpm(dgelist) > 1 ) >= 2 #方法的選擇依據(jù)具體情況
dgelist <- dgelist[keep, , keep.lib.sizes = FALSE]
norm <- calcNormFactors(dgelist, method = 'TMM')#方法的選擇依據(jù)具體情況

差異表達分析，首先根據(jù)分組信息構建分析矩陣，分組這里要注意，一定是Control在前，處理組在后。

design <- model.matrix(~group)

估算表達離散值并進行擬合，擬合方法有很多選擇：

dge <- estimateDisp(norm, design, robust = TRUE)
fit <- glmFit(dge, design, robust = TRUE)
df <- topTags(glmLRT(fit), n = nrow(dgelist$counts))
df <- as.data.frame(df)

最后得到差異基因列表：

圖片

將結果保存，可以手動篩選或者和上節(jié)一樣代碼篩選：

write.csv(df, file='df.csv')

至此，普通轉(zhuǎn)錄組差異分析三大R包全部介紹完畢，接下來會說一些細節(jié)的問題，包括基因注釋等等。當然還有大家最關心的數(shù)據(jù)可視化，力求用最好的方法和圖形呈現(xiàn)轉(zhuǎn)錄組數(shù)據(jù)結果，讓你的paper大放異彩！