geo读取表达矩阵 RNA-seq R语言部分（表达矩阵合并及id转换）

最新推荐文章于 2024-02-22 17:13:50 发布
最新推荐文章于 2024-02-22 17:13:50 发布
阅读量5.9k 收藏 40
点赞数 5
分类专栏： 笔记 文章标签： r语言 矩阵 数据挖掘
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_52813185/article/details/125291100
版权

geo读取表达矩阵 RNA-seq R语言
方法一：1.从geo页面直接下载表达矩阵，然后通过r读取表达矩阵
2.利用getgeo函数读取表达矩阵
3.利用geo自带的geo2r，调整p值为1，获取探针和基因名的对应关系

1


#http://zouyawen.top/2020/10/09/%E8%BD%AC%E5%BD%95%E7%BB%844/

getwd()
setwd("G:/silicosis/geo/GSE103548_rna-seq_llc_mle-12/GSE150425_a549_kras_organoid/")

expr.df=read.csv("G:/silicosis/geo/GSE103548_rna-seq_llc_mle-12/GSE150425_a549_kras_organoid/GSE150425_Cufflinks_Gene_Counts/GSE150425_Cufflinks_Gene_Counts.csv",
                   header=T,
                   sep=",", #Error in scan(file = file, what = what, sep = sep, quote = quote, dec = dec
                   comment.char="!")
head(expr.df)
head(expr.df)
expr.df[expr.df$Gene_ID %in% 'RETN',]
library(dplyr)



colnames(expr.df)[1]='Gene_Symbol'
expr.df[expr.df$Gene_Symbol=='Retn'|
          expr.df$Gene_Symbol=='Retnlb'|
          expr.df$Gene_Symbol=='Jchain'|
          expr.df$Gene_Symbol=='Igha1'|
          expr.df$Gene_Symbol=='Pdk4'|
          expr.df$Gene_Symbol=='Actb',]

在这里插入图片描述

#http://zouyawen.top/2020/10/09/%E8%BD%AC%E5%BD%95%E7%BB%844/

getwd()
setwd("G:/silicosis/geo/GSE103548_rna-seq_llc_mle-12/GSE133037_a549_transfection 0f runx__tgfb/")

expr.df=read.table("G:/silicosis/geo/GSE103548_rna-seq_llc_mle-12/GSE133037_a549_transfection 0f runx__tgfb/GSE133037_VK-Rx3.TGFb_FPKM/GSE133037_VK.Rx3.TGFb_FPKM.txt",
                          header=T,
                          sep="\t", #Error in scan(file = file, what = what, sep = sep, quote = quote, dec = dec
                          comment.char="!")
head(expr.df)

#colnames(expr.df)=expr.df[1,]
input=expr.df
head(input)
library(dplyr)
input=input[,!(grepl(colnames(input),pattern = 'Chr')|
                 grepl(colnames(input),pattern = 'Start')|
                 grepl(colnames(input),pattern = 'End')|
                 grepl(colnames(input),pattern = 'Strand'))]
head(input)
colnames(input)[1]='Gene.ID'
colnames(input)[2]='Gene.Name'

head(input)
mydata=input %>% filter(Gene.Name=='RETNLB'|Gene.Name=='ACTB'|Gene.ID=='1053'|
                          Gene.Name=='56729'|Gene.ID=='3493'|
                          Gene.ID=='3512'|Gene.ID=='3934')
mydata
dim(input)

多个组别 合并 id转化


#http://zouyawen.top/2020/10/09/%E8%BD%AC%E5%BD%95%E7%BB%844/

getwd()
setwd("G:/silicosis/geo/GSE103548_rna-seq_llc_mle-12/GSE135402_A549_TD_tgfb/GSE135402_RAW/GSM4007697_A549-2/")

expr_SRR957678=read.table("G:/silicosis/geo/GSE103548_rna-seq_llc_mle-12/GSE135402_A549_TD_tgfb/GSE135402_RAW/GSM4007697_A549-2/GSM4007696_A549-1.htseq.count.txt",
                             header=FALSE,
                             sep="\t", #Error in scan(file = file, what = what, sep = sep, quote = quote, dec = dec
                             comment.char="!")
expr_SRR957677=read.table("G:/silicosis/geo/GSE103548_rna-seq_llc_mle-12/GSE135402_A549_TD_tgfb/GSE135402_RAW/GSM4007697_A549-2/GSM4007697_A549-2.htseq.count.txt",
                          header=FALSE,
                          sep="\t", #Error in scan(file = file, what = what, sep = sep, quote = quote, dec = dec
                          comment.char="!")

expr_SRR957679 =read.table("G:/silicosis/geo/GSE103548_rna-seq_llc_mle-12/GSE135402_A549_TD_tgfb/GSE135402_RAW/GSM4007699_TD-2/GSM4007698_TD-1.htseq.count.txt",
                          header=FALSE,
                          sep="\t", #Error in scan(file = file, what = what, sep = sep, quote = quote, dec = dec
                          comment.char="!")
expr_SRR957680 =read.table("G:/silicosis/geo/GSE103548_rna-seq_llc_mle-12/GSE135402_A549_TD_tgfb/GSE135402_RAW/GSM4007699_TD-2/GSM4007699_TD-2.htseq.count.txt",
                           header=FALSE,
                           sep="\t", #Error in scan(file = file, what = what, sep = sep, quote = quote, dec = dec
                           comment.char="!")


head(expr_SRR957677)
head(expr_SRR957678)


#先对照和实验组分别合并到一个data.frame再合并为一个总的数据框
control <- merge(expr_SRR957677,expr_SRR957678,by="V1")#by="gene_id"按照gene_id这列合并
head(control)

treat <- merge(expr_SRR957679,expr_SRR957680,by="V1")
head(treat)
raw_count <- merge(control,treat,by="V1")
head(raw_count)
colnames(raw_count)=c('gene_id','a5491','a5492','td1','td2')
raw_count <-raw_count[-1:-5,]#删掉前五行，由上一步结果可以看出前五行gene_id有问题
head(raw_count)



2#.去除gene_id名字中的小数点
#EBI数据库中无法搜到ENSG00000000003.10这样的基因，只能是整数ENSG00000000003才能进行id转换

library(stringr)
ENSEMBL <- raw_count$gene_id
 head(ENSEMBL)

 ENSEMBL <- str_split_fixed(ENSEMBL,'[.]',2)[,1]#将小数点及后面的数字去掉，ensembl_gene_id是整数
 head(ENSEMBL)

 rownames(raw_count) <- ENSEMBL#将去除小数点后的ensembl_gene_id作为行名后期方便绘图
 raw_count$ensembl_gene_id <-  ENSEMBL#新建ensembl_gene_id列便于合并
 head(raw_count)


 3.#对基因进行注释，获取gene_symbol
 #bioMart包是一个连接bioMart数据库的R语言接口，能通过这个软件包自由连接到bioMart数据库
# BiocManager::install('biomaRt')
 library(biomaRt)
 
 #显示一下能连接的数据库
 listMarts()
  listMarts()

  #用useMart函数选定数据库
  plant<-useMart("ensembl")
  #用listDatasets()函数显示当前数据库所含的基因组注释,我们要获取的基因注释的基因是人类基因，所以选择hsapiens_gene_ensembl
   listDatasets(plant)
grep(listDatasets(plant)[,1],pattern = 'hsa')
   #选定ensembl数据库中的hsapiens_gene_ensembl基因组
   mart <- useDataset("hsapiens_gene_ensembl", useMart("ensembl"))


   
   #选定我们需要获得的注释类型
   #用lsitFilters()函数查看可选择的类型，选定要获取的注释类型，以及已知注释的类型用lsitFilters()函数查看可选择的类型，选定要获取的注释类型，以及已知注释的类型
    listFilters(mart)   
    #这里我们选择这些要获得数值的类型ensembl_gene_id ,hgnc_symbol chromosome_name start_position end_position band我们已知的类型是ensembl_gene_id选择好数据库，基因组，要获得的注释类型，和已知的注释类型，就可以开始获取注释了
    
    #用getBM()函数获取注释
    hg_symbols<- getBM(attributes=c('ensembl_gene_id','hgnc_symbol',"chromosome_name", "start_position","end_position", "band"), filters= 'ensembl_gene_id', values = ENSEMBL, mart = mart)
    
    #attributers()里面的值为我们要获取的注释类型ensembl_gene_id ,hgnc_symbol chromosome_name start_position end_position band
    #filters（）里面的值为我们已知的注释类型ensembl_gene_id
    #values= 这个值就是我们已知的注释类型的数据，把上面我们通过数据处理得到的ensembl基因序号作为ensembl_gene_id 的值
    #mart= 这个值是我们所选定的数据库的基因组
    head(hg_symbols)   
   
 getwd()  
 setwd("G:/silicosis/geo/GSE103548_rna-seq_llc_mle-12/GSE135402_A549_TD_tgfb")
    save(mart, file = "mart.RData")#将mart变量保存为mart.RData
    save(hg_symbols, file = "hg_symbols.RData")#将hg_symbols变量保存为hg_symbols，biomart包不太稳定，有时连不上    
    
    
    4.#将合并后的表达数据框raw_count与注释得到的hg_symbols整合    
    
 read_count <- merge(raw_count,hg_symbols,by="ensembl_gene_id")#将raw_count与注释后得到的hg_symbols合并
     head(read_count)    
    openxlsx::write.xlsx(read_count,file = "readcount_all.xlsx")    

   input =openxlsx::read.xlsx("G:/silicosis/geo/GSE103548_rna-seq_llc_mle-12/GSE135402_A549_TD_tgfb/readcount_all.xlsx") 
     
library(dplyr)
input=input[,!(grepl(colnames(input),pattern = 'Chr')|
                 grepl(colnames(input),pattern = 'Start')|
                 grepl(colnames(input),pattern = 'End')|
                 grepl(colnames(input),pattern = 'Strand'))]
head(input)
colnames(input)[1]='Gene.ID'
colnames(input)[7]='Gene.Name'

head(input)
mydata=input %>% filter(Gene.Name=='RETNLB'|Gene.Name=='ACTB'|Gene.ID=='ENSG00000104918'|
                          Gene.Name=='RETN'|Gene.ID=='ENSG00000132465'|
                          Gene.ID=='ENSG00000211895'|Gene.ID=='ENSG00000092067')
mydata
dim(input)

下载表达矩阵和getgeo函数联合使用


#http://zouyawen.top/2020/10/09/%E8%BD%AC%E5%BD%95%E7%BB%844/

getwd()
setwd("G:/silicosis/geo/GSE103548_rna-seq_llc_mle-12/GSE114761_various_A549_TGFB/")

expr.df=read.table("G:/silicosis/geo/GSE103548_rna-seq_llc_mle-12/GSE114761_various_A549_TGFB/geo2r.tsv",
                   header=T,
                   sep="\t", #Error in scan(file = file, what = what, sep = sep, quote = quote, dec = dec
                   comment.char="!")
head(expr.df)
expr.df[1:10,]
#colnames(expr.df)=expr.df[1,]
input=expr.df
head(input)
library(dplyr)
input=input[,!(grepl(colnames(input),pattern = 'Chr')|
                 grepl(colnames(input),pattern = 'Start')|
                 grepl(colnames(input),pattern = 'End')|
                 grepl(colnames(input),pattern = 'Strand'))]
head(input)
grep(input$Gene.title,pattern = 'RETN')
input[grep(input$Gene.symbol,pattern = 'RETN'),]
input[grep(input$Gene.symbol,pattern = 'IGHA1'),]
input[grep(input$Gene.title,pattern = 'immunoglobulin heavy'),]



library(GEOquery)
f='GSE114761_eSet.Rdata'
if(!file.exists(f)){
  gset <- getGEO('GSE114761', destdir=".",
                 AnnotGPL = F,     ## 注释文件
                 getGPL = F)       ## 平台文件
  save(gset,file=f)   ## 保存到本地
}

getwd()
load('GSE114761_eSet.Rdata')  ## 载入数据
class(gset)  #查看数据类型
length(gset)  #
class(gset[[1]])
gset
exprs(gset[[1]])
gset[[1]]


a=exprs(gset[[1]])
head(a)
a['220570_at',]
a[rownames(a)=='220570_at',]

input[grep(input$Gene.symbol,pattern = 'IGHA1'),][,1]
a[rownames(a) %in% input[grep(input$Gene.symbol,pattern = 'IGHA1'),][,1],]
a[rownames(a) %in% input[grep(input$Gene.title,pattern = 'IGCJ'),][,1],]


myexpression=as.data.frame(a)
head(myexpression)
myexpression$probe_id=rownames(myexpression)
head(myexpression)

head(input)
input$probe_id=input$ID
head(input)

mydata=merge(myexpression,input,by='probe_id')
head(mydata)

colnames(a)
boxplot(mydata[,2:42])
getwd()
save(mydata,file = "G:/silicosis/geo/GSE103548_rna-seq_llc_mle-12/GSE114761_various_A549_TGFB/myexpression_matrix.rds")
load("G:/silicosis/geo/GSE103548_rna-seq_llc_mle-12/GSE114761_various_A549_TGFB/myexpression_matrix.rds")

colnames(mydata)
a=read.table(file = 'clipboard')
head(a)
a=a[-1,]
a
colnames(mydata)[2:43]=a$V2
head(mydata)


mydata[mydata$Gene.symbol=='RETN'|
         mydata$Gene.symbol=='IGHA1'|
         mydata$Gene.symbol=='RETNLB',]

读取excel表达矩阵


getwd()
setwd("G:/silicosis/geo/GSE103548_rna-seq_llc_mle-12/GSE164160_CMT64_TGFB_Alveogenic lung carcinoma/")

syndecan_fibrosis=openxlsx::read.xlsx("G:/silicosis/geo/GSE103548_rna-seq_llc_mle-12/GSE164160_CMT64_TGFB_Alveogenic lung carcinoma/GSE164160_RAW/GSM4998575_TGFb_1.clean_trimmed_GE_.xlsx",
                                      colNames = T)
head(syndecan_fibrosis)

input=syndecan_fibrosis
library(dplyr)
input=input[,!(grepl(colnames(input),pattern = 'Region')|
                 grepl(colnames(input),pattern = 'Start')|
                 grepl(colnames(input),pattern = 'End')|
                 grepl(colnames(input),pattern = 'Strand'))]
head(input)
mydata=input %>% filter(Name=='Regnla'|Name=='Actb'|ENSEMBL=='ENSMUSG00000061100'|ENSEMBL=='ENSMUSG00000015839'|
                          Name=='Retnlg'|ENSEMBL=='ENSMUSG00000052435'|
                          ENSEMBL=='ENSMUSG00000095079'|ENSEMBL=='ENSMUSG00000067149')
mydata
dim(input)
#################################33
syndecan_fibrosis=openxlsx::read.xlsx("G:/silicosis/geo/GSE103548_rna-seq_llc_mle-12/GSE164160_CMT64_TGFB_Alveogenic lung carcinoma/GSE164160_RAW/GSM4998576_TNFa_1.clean_trimmed_GE_.xlsx",
                                      colNames = T)
head(syndecan_fibrosis)

input=syndecan_fibrosis
library(dplyr)
input=input[,!(grepl(colnames(input),pattern = 'Region')|
                 grepl(colnames(input),pattern = 'Start')|
                 grepl(colnames(input),pattern = 'End')|
                 grepl(colnames(input),pattern = 'Strand'))]
head(input)
mydata=input %>% filter(Name=='Regnla'|Name=='Actb'|ENSEMBL=='ENSMUSG00000061100'|ENSEMBL=='ENSMUSG00000015839'|
                          Name=='Retnlg'|ENSEMBL=='ENSMUSG00000052435'|
                          ENSEMBL=='ENSMUSG00000095079'|ENSEMBL=='ENSMUSG00000067149')
mydata
dim(input)
生信小博士
关注
  • 5
    点赞
  • 踩
  • 40
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
GEO数据挖掘构建基因表达矩阵
xiaobai1_1的博客
12-04 2万+
1、GEO数据库介绍 GEO全称GENE EXPRESSION OMNIBUS，由美国国立生物技术信息中心NCBI创建并维护的基因表达数据库。创建于2000年，收录世界各国研究机构提交的高通量基因表达数据。 GEO上有四类数据GSM, GSE, GDS, GPL 1.GSM是单个样本的实验数据 2.GDS是人工整理好的关于某个话题的GSM的集合，一个GDS中的GSM的平台是一样的 3.GSE是一个...
matlab矩阵自动拼接代码-RNA-seq_notes:不断扩大的RNA-seq工具集合
05-19
matlab矩阵自动拼接代码不断扩大的RNA-seq工具集合 RNA-seq相关工具和基因组数据分析资源。 请， ！ 有关其他编程和与基因组学有关的说明，请参见。 表中的内容 流水线 。 FastQC / MultiQC，TrimGalore，STAR（两次通过模式），​​RSEM（用于定量​​异构体），DESeq2。 可以使用ERCC进行标准化。 产生更多的未归一化和归一化计数。 PCA，热图，其他可视化。 乔纳森&middot;加拉兹卡。 “，” bioRxiv，2020年11月10日 -来自FASTQ文件或直接来自GEO的基于R的RNA-seq处理管道。 读取针对两组差异分析的元数据。 竞争对手：Galaxy，R的总RNA序列分析软件包（TRAP），EasyRNASeq，READemption。 可通过Conda安装 Seelbinder，Bastian，Thomas Wolf，Steffen Priebe，Sylvie McNamara，Silvia Gerber，Reinhard Guthke和Joerg Linde。 “。” 预印本。 生物信息学，2019年9月16日 前处理 -修整的适
5. 生信技能树——GEO转录组RNA_seq_GSE162550
weixin_48275332的博客
04-13 2493
和生信技能树GEO转录组“GSE150392“分析类似，唯一区别就是在数据处理和ID转换这一环节略微有区别 1.数据下载 最方便的是xena。可以网页下载，也可以用代码下载。 proj = "DHA" 2.生存信息与临床信息 这里仅仅是查看一下，到生存信息部分再整理。 library(GEOquery) eSet = getGEO("GSE162550",destdir = ".",getGPL = F) eSet = eSet[[1]] exp = exprs(eSet) pd = pData(eSet
R语言读取数据代码示例
03-22
该资源内涵读取数代码的示例，可以读取txt、csv、tsv、nc栅格数据等数据，不用于商业，适合入门新手下载学习，大佬请绕路，
如何在GEO数据库上传原始测序数据RNA-SEQ，学习过程分享！
最新发布
weixin_52883890的博客
02-22 783
为了让大家更好的利用公共数据库中的数据，所以需要大家对自己上传的数据进行充分的注释，geo官方给定的了一个metadata spreadsheet (template and examples)，(https://submit.ncbi.nlm.nih.gov/geo/submission/meta/)里面包含了RNA-seq和ChIP-seq数据的模板，可以根据模板填入。待所有数据上传完成并提交之后，会有邮件提醒你的上传是否存在问题，如果无误，就会给定GSE number，表示上传完成。
GEO下载的数据在R中读取和注释
weixin_53368990的博客
12-06 1万+
读取GEO下载的矩阵和注释 加载包 ---- library(readxl) library(tidyverse) library(GEOquery) 读取 series_matrix文件 ---- GSE_data <- getGEO(filename = “data\GSE14520-GPL571_series_matrix.txt.gz”, getGPL = F) pd_GSE_data <- pData(GSE_data) #观察临床信息中的data processing,Microar
GEO芯片数据下载和探针ID转换（保姆级教程）
热门推荐
qq_43138237的博客
11-25 2万+
R语言安装、GEO芯片数据下载、探针ID转换
GEO数据库学习三(ID转换后续 了解表达矩阵)
weixin_73362123的博客
11-28 2935
上一节已经成功进行了id转换，这一节主要是了解表达矩阵，通过绘图等参数判断表达矩阵是否正确。首先需要根据上一节过滤的探针，我们需要把exprSet表达矩阵的行名（探针id）换成基因名，处理完之后表达矩阵的处理就全部完成了。
转录组分析R基础知识
sunchengquan的博客
12-09 8766
数据 wget https://ndownloader.figshare.com/articles/3219685?private_link=1d788fd384d33e913a2a -O 3219685.zip !ls -l 3219685/ 总用量 2588 -rw-r--r-- 1 root root 1340161 12月 9 07:43 GSE60450_Lactation-Ge...
0057-【生物数据库】-如何进行RNA差异基因的GeneName对应转为Gene ID
leadingsci的博客
06-29 6691
无论是网页版还是R包，建议使用Gene ID，这样就不需要物种的混淆 1. 网站DAVID https://david.ncifcrf.gov/ 写程序的思路： 在NCBI或者esemble下载所有的基因ID的文件，如果以后需要，则根据两列关系提取 2. 进入 Gene ID Conversion 工具栏 进入转换工具 输入转换列表的内容 选择物种 返回工具页面，...
java读取excel文件生成矩阵
07-11
java读取xls中的数据，每个对象对应多个属性值，根据每个对象的属性值来生成一个二维矩阵
RASflow:RNA-Seq分析工作流程
04-28
RASflow：RNA-Seq分析Snakemake工作流程 RASflow是一种模块化，灵活且用户友好的RNA-Seq分析工作流程。 RASflow可以应用于模型生物和非模型生物。 它支持将RNA-Seq原始读物映射到基因组和转录组（可以从公共数据库下载或由用户自制），并且在使用转录组作图时可以进行转录水平和基因水平的差异表达分析（DEA）。参考。 基本用途只需要很少的编程技能。 如果您擅长编程，则可以使用RASflow做更多的魔术！ 您可以通过引用我们的出版物来帮助支持RASflow： Zhang，X.，Jonassen，I. RASflow：使用Snakemake的RNA-Seq分析工作流程。 BMC Bioinformatics 21，110（2020）。 工作流程 快速开始 安装 克隆存储库： git clone https://github.com/zhxiaokan
pyEntrezId:将Ensembl，Uniprot和HGNC ID转换为Entrez基因ID
05-02
PyEntrezId Python软件包可在各种基因或蛋白质ID之间进行转换 概括 这是我发布的第一个程序包。 任何反馈将不胜感激！ 我希望该项目可以作为初学者的示例，说明如何构造/编码简单的生物信息学工具。 我创建此程序包的原因是，我需要一个简单的工具来在用于标识基因，蛋白质等的多个ID之间进行转换。这之所以重要，是因为各种科研机构（NIH，EMBL等）托管的数据库有时具有不同的命名法描述相同的事物（基因，蛋白质，DNA，RNA等）。 讨论链接 Reddit：< > 快速开始 $ pip install --upgrade pyEntrezId 例子 将Ensemble转录本基因ID转换为Entrez基因ID from PyEntrezId import Conversion EnsemblId = 'ENST00000407559' # include your email a
scRNA-Seq_papers:来自我们阅读小组的单细胞 RNA-Seq 论文列表
06-03
单细胞 RNA-seq 揭示哺乳动物细胞中动态、随机的单等位基因表达 单细胞 RNA-seq 揭示细胞变异的动态旁分泌控制 单细胞 RNA 测序揭示 T 辅助细胞从头合成类固醇有助于免疫稳态 具有独特分子标识符的定量单细胞 RNA-...
circrna:circRNA定量，差异表达分析和miRNA靶标预测RNA-Seq数据
03-11
RNA-Seq数据中circRNA的定量，差异表达分析和miRNA目标预测分析的工作流程。 介绍 nf-core / circrna是一种生物信息学流水线，用于定量，miRNA靶标预测和RNA测序数据中存在的circRNA的差异表达分析（当前支持总RNA-...
RSCS:RNA-seq和小RNA-seq组合策略
04-02
RSCS 在这里，我们开发了一种集成了RNA-seq和小RNA-seq数据（称为RSCS）的计算流水线，该策略极大地提高了多种哺乳动物样品中转录组注释的分辨率和准确性。
SCS【3】单细胞转录组数据 GEO 下载及读取
weixin_41368414的博客
08-13 7392
单细胞转录组数据 GEO 下载及读取
bulk RNA-seq R语言计算斯皮尔曼相关系数代码
06-01
以下是用 R 语言计算 bulk RNA-seq 斯皮尔曼相关系数的代码： ```R # 读入数据 data <- read.table("bulk_RNA_seq_data.txt", header=TRUE, row.names=1) # 计算斯皮尔曼相关系数 correlation <- cor(data, method="spearman") # 输出相关系数矩阵 print(correlation) ``` 其中，`bulk_RNA_seq_data.txt` 是你的数据文件名，文件应该以制表符（Tab）为分隔符，第一行应该是列名，第一列应该是行名，例如： ``` Sample1 Sample2 Sample3 ENSG00000123456 10.5 12.3 11.2 ENSG00000123457 7.8 8.2 9.1 ENSG00000123458 0.2 0.3 0.1 ... ``` 输出的 `correlation` 是一个相关系数矩阵，其中每个元素是两个基因之间的斯皮尔曼相关系数。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

生信小博士

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值