用EDA处理蛋白质数据小记

这两天在做蛋白质数据的EDA（exploratory data analysis）试了Table One、PCA、Volcano plot和Manhattan plot。实现语言为R。

数据简要介绍
蛋白质在全血中浓度log后的值，以及一张含各variable的表。protein数据648（proteins）*92（patients）。数据lung cancer case:control=322:325基本持平。case指lung cancer。

Table One
Table One用lung cancer case作为输出求各variable的p-value。Table One只能提供数据大致的第一印象。

需要注意的是在Table One中显著的variable并不能作为后面denoise data所用的adjust variable，原因有：

1. 有的variable间本来可能就有联系，比如BMI和高血压，如果都adjust可能会有重复调整的风险
2. Linear Mixed Model选择adjust variable应该根据reference选择合理的variable，是为了观察除这两个variable外潜在相关的variable，而不是根据p-value选择。

PCA
PCA如下图，结果很不好。问了别人，别人的结果也无法清晰分类。最后，大家的结论是PCA无法很好解释该数据，选择不用PCA。