R 样品中重复基因表达矩阵处理

  在RNA-seq下游分析中经常遇到需要将基因表达矩阵行名的ensembl_id ( gene_id ) 转换为gene symbol ( gene_name )的情况，而在转换时经常会出现多个ensembl_id对应与一个gene symbol的情形，此时就出现了重复的gene symbol。重复的gene symbol当然是不能作为基因表达矩阵行名的，此时就需要我们去除重复的gene symbol。

这里博主使用R语言，在表达谱数据中重复基因--取平均/取最大值

基因名去重复的一点思考：
这两种思路的差别在于,第一种只取表达量最高的基因，认为只有这个基因有意义，其余表达量靠后的相同基因不重要。第二种则是合并3所有具有相同基因名的基因，考虑到了所有基因的表达情况。实际分析中，由于我们一般差异分析是对不同样品中的同一个基因进行的比较，因此这两种方法实际差别并不大，按自己需求选择即可。

以博主在GEO数据库下载并合并好但并没有去除基因名有重复的表达谱数据为例。

rm(list = ls())
setwd("D:/R.result/2.He/ww2023.8.22_injury")#设置工作路径
library(limma)
library(pheatmap)

inputFile="Exp.txt"       
rt=read.table(inputFile, header=T, sep="\t", check.names=F)#读取数据

 这是GEO直接下载并合并的数据，不清楚是否有重复值，但无论是高通量数据和芯片数据，基本都会无可避免，出现重复基因名和对应的表达矩阵，所以为确保分析结果准确性，分析前应对数据做检测，去除重复基因以及对应表达矩阵。

第一种方法，博主觉得比较靠谱，对于相同的基因，我们应该挑选行平均值大的那一整行，不能打乱随便取。

#计算行平均值，按降序排列
matrix0 <- order(rowMeans(rt[,-1]),decreasing = T)

#调整表达谱的基因顺序
expr_ordered=rt[matrix0,]

#对于有重复的基因，保留第一次出现的那个，即行平均值大的那个
keep=!duplicated(expr_ordered$Name)#$Name是指基因名那一列

#得到最后处理之后的表达谱矩阵
expr_max=expr_ordered[keep,]

 接下来就是可以继续分析啦，当然博主建议先把这个矩阵保留输出，再进行分析...继续上代码~

expr_max=as.matrix(expr_max)#对上述矩阵转化
rownames(expr_max) <- expr_max[,1]
exp=expr_max[,2:ncol(expr_max)]
dimnames=list(rownames(exp),colnames(exp))
data=matrix(as.numeric(as.matrix(exp)),nrow=nrow(exp),dimnames=dimnames)
lea=rbind(id=colnames(data),data)
write.table(lea,file = "GSE.txt",sep = "\t",quote = F,col.names = F)#输出名为GSE.txt的文件

 这个就是对于相同的基因，挑选行平均值大的那一整行，不打乱随便取。

第二种，取平均值，博主觉得这个可能有点不太行，但是结果和第一种差不多，大家有兴趣可以试试，话不多说，上代码~

rm(list = ls())
setwd("D:/R.result/2.He/ww2023.8.22_injury")#设置工作路径
library(limma)
library(pheatmap)

inputFile="Exp.txt"       
rt=read.table(inputFile, header=T, sep="\t", check.names=F)#读取数据

#1）利用aggregate函数，对相同的基因名按列取平均
expr_mean=aggregate(.~Name,mean,data=rt)

这就是一种取平均值的方法

2）对于重复的基因名字，取表达值最大的哪一行

其实aggregate也可以对相同的基因使用max函数取最大值，但是这样处理是有问题的。例如同一个基因出现了三次，那么会有三行数据。如果使用aggregate+max，对于每一个样本，他会从三个值中挑选最大的那个值最为这个样本的表达值，这样做是不科学的。

#利用aggregate函数，对相同的基因名按列取取最大值
expr_max=aggregate(.~Name,max,data=rt)

这是第二种取最大值方法

后续保存对应矩阵的话，按照第一种方法后续操作即可~

今天就到这里啦~