单基因gsea_10个细胞系仅1个表达你的基因

最新推荐文章于 2024-06-28 16:42:25 发布
最新推荐文章于 2024-06-28 16:42:25 发布
阅读量379 收藏 2
点赞数
文章标签： 单基因gsea

遇到了粉丝的一个超级好的问题：

感兴趣的一个基因A，研究它在10种乳腺癌细胞系中的表达情况，跑了western和qpcr  。
发现它只在一种乳腺癌细胞系中表达，其他9种都不表达。
结果是一致的，确认自己的实验没有问题！
现在都怀疑唯一有表达的那个细胞系是不是污染了？？？

实验这个东西，并不是说你做的没有问题就不会有问题，很有可能细胞系本身就是有问题的，类似的新闻屡见不鲜了！

比如我们换数据思维来看这个问题，看看CCLE数据库里面这些细胞系的自己的感兴趣的基因的表达量情况是怎么样的？

很简单啊，去CCLE数据库查询看看！

关于CCLE数据库

肿瘤细胞系数据库CCLE，全称为Broad Institute Cancer Cell Line Encyclopedia上官网链接：

  • https://portals.broadinstitute.org/ccle/about

CCLE数据库是公开的数据库，通过普通的邮箱注册就能获取数据库中公开的数据。据统计数据库中共包含40种癌型(包含未知的癌型)，1457个肿瘤细胞系的数据，可以说CCLE数据库和COSMIC都是研究肿瘤细胞系的利器。

据统计CCLE数据包含了细胞系的突变、基因融合、miRNA、蛋白质表达谱、基因表达谱、甲基化谱、拷贝数、代谢谱、药物处理细胞系的IC50值和AUC值等。

值得一提的是，CCLE数据库并不是所有的细胞系在各个组学层面都进行了检测。各种组学数据中包含的细胞系数量都是不相同的。

很多文献直接就使用CCLE数据库的查询结果

比如 ：http://journals.plos.org/plosone/article?id=10.1371/journal.pone.0081803#pone.0081803.s001

这篇文章只用了CCLE的一个地方，就是看看不同cancer type里面的某个 基因表达boxplot，这个图的数据用 GEOquery 可以得到，样本的分类信息也用GEOquery可以得到，这样就可以做下面这个图了，非常简单：

Further, the Cancer Cell Line Encyclopedia (CCLE) database demonstrated that of 1062 cell lines representing 37 distinct cancer types, glioma cell lines express the highest levels of STK17A

或者你干脆一点，直接网页数据库搜索这个基因，然后直接截图：https://portals.broadinstitute.org/ccle/page?gene=STK17A

c6044e422d02cec1533cb471e19f7b63.png
1

你会发现是一模一样的！

学徒作业

因为粉丝的课题是保密的，我不能够透露他研究的基因名字，但是只在一种乳腺癌细胞系中表达，其他9种都不表达的基因应该是可以有很多。

我这里布置一个学徒作业，下载CCLE数据库的RNA-seq的表达矩阵，然后提取属于乳腺癌的细胞系的，随机分成9：1的两个组，然后选择那些在其中10%细胞系表达的基因并且在另外的90%的细胞系不表达的基因。

看看这样的基因数量多少，有什么特性？

开放性问题，加油哦！

历年学徒作业目录如下：

  • 生信编程直播课程优秀学员作业展示1
  • 生信编程直播课程优秀学员学习心得及作业展示3
  • 生信编程直播课程优秀学员作业展示2
  • 给学徒的GEO作业
  • 这个WGCNA作业终于有学徒完成了！
  • 上次说的gmt函数(学徒作业)
  • 拖后腿学徒居然也完成作业，理解RNA-seq数据分析结果
  • 肿瘤外显子视频课程小作业
  • ChIPseq视频课程小作业
  • Agilent芯片表达矩阵处理(学徒作业)
  • 学徒作业：TCGA数据库单基因gsea之COAD-READ
  • 学徒作业-在CCLE数据库里面根据指定基因在指定细胞系里面提取表达矩阵
  • 学徒作业-指定基因在指定组织里面的表达量热图
  • 学徒作业-我想看为什么这几个基因的表达量相关性非常高
  • 学徒作业：给你8个甲基化探针， 你在tcga数据库进行任意探索
  • 学徒作业-根据我的甲基化视频教程来完成2015-NPC-methy-GSE52068研究
  • RNA芯片和测序技术的比较(学徒作业)
  • 学徒作业-单基因的tcga数据挖掘分析
  • ATCC终于出来了organoids资源
  • 拿到7个DDR通路的基因集-学徒作业
  • 绘图本身很简单但是获取数据很难
  • 都说lncRNA只有部分具有polyA尾结构，请证明
  • 学徒作业-hisat2+stringtie+ballgown流程
  • 学徒任务-探索DNA甲基化的组织特异性
  • 用WES和RNA-Seq数据提取到的somatic SNVs不一致
  • 《GEO数据挖掘课程》配套练习题

文末友情推荐

要想真正入门生物信息学建议务必购买全套书籍，一点一滴攻克计算机基础知识，书单在：什么，生信入门全套书籍仅需160 。如果大家没有时间自行慢慢摸索着学习，可以考虑我们生信技能树官方举办的学习班。如果你课题涉及到转录组，欢迎添加一对一客服：详见：你还在花三五万做一个单细胞转录组吗？

号外：生信技能树知识整理实习生招募，长期招募，也可以简单参与软件测评笔记撰写，开启你的分享人生！另外，：绝大部分生信技能树粉丝都没有机会加我微信，已经多次满了5000好友，所以我开通了一个微信好友，前100名添加我，仅需150元即可，3折优惠期机会不容错过哈。我的微信小号二维码在：0元，10小时教学视频直播《跟着百度李彦宏学习肿瘤基因组测序数据分析

weixin_39864571
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
GSEA_Win_4.0.2-installer.exe
10-21
GSEA富集分析，1、准备三个文件第一行：#1.2，表示版本号，自己准备文件时照抄就行； 第二行：两个数分别表示gene NAME的数量和样本数量（矩阵列数-2）； 矩阵：第一列是NAME；第二列Description，没有的话可以全用...
单基因gsea_又是神器！基于单基因批量相关性分析的GSEA
weixin_39968640的博客
11-21 2481
有这样的使用场景么？1.已经确定研究的基因，但是想探索他潜在的功能，可以通过跟这个基因表达最相关的基因来反推他的功能，这种方法在英语中称为guilt of association，协同犯罪。2.我们的注释方法依赖于TCGA大样本，既然他可以注释基因，那么任何跟肿瘤相关的基因都可以被注释，包括长链非编码RNA。这个方法以前阐述过：单基因批量相关性分析的妙用但是这个方法有个小缺陷，并不知道最...
一文掌握单基因GSEA富集分析 | gseaGO and gseaKEGG
BioinfoDu
02-03 5554
给定一个排序的基因表L和一个预先定义的基因集S (比如编码某个代谢通路的产物的基因, 基因组上物理位置相近的基因，或同一GO注释下的基因)，GSEA的目的是判断S里面的成员s在L里面是随机分布还是主要聚集在L的顶部或底部。这些基因排序的依据是其在不同表型状态下的表达差异，若研究的基因集S的成员显著聚集在L的顶部或底部，则说明此基因集成员对表型的差异有贡献，也是我们关注的基因集。GSEA用来评估一个预先定义的基因集的基因在与表型相关度排序的基因表中的分布趋势，从而判断其对表型的贡献。其输入数据包含两部分，
单基因GSEA怎么做？
最新发布
悟道西方
06-28 391
今天在讨论群看到有群友提问 单基因GSEA怎么做？。之前也看到过这个概念，但一直不清楚这个单是什么含义，一直以为是用单个基因做GSEA。如果之前看过生信宝典的一文掌握GSEA，超详细教程，一定会特别熟悉GSEA的原理和操作流程。当然越是理解，越是想不明白单个基因怎么做GSEA。当然如果您不熟悉GSEA，建议先看上一篇文章。
单基因gsea_【9月11日直播答疑】基于疾病的单基因进行生信分析软件GSEA
weixin_39577052的博客
11-21 784
常规的高通量数据分析思路是一种趋势分析。即从几万个基因中，通过逻辑的思路，一步一步的缩小范围，最终找到与疾病关联的关键基因/通路。这也是我们生信分析中比较常见的分析目标——寻找关键靶标基因。但是，也有很多老师遇到这样一类问题：我现在已经有关心的靶标基因了(通过实验/文献/导师研究)，而且非常肯定，那怎样才能基于疾病的单基因进行生信分析呢？在这里给大家推荐一个软件GSEA，可以非常好的解决...
单基因gsea_单基因GSEA怎么做？
weixin_39637711的博客
11-21 994
生物信息学习的正确姿势NGS系列文章包括NGS基础、在线绘图、转录组分析(Nature重磅综述|关于RNA-seq你想知道的全在这)、ChIP-seq分析(ChIP-seq基本分析流程)、单细胞测序分析(重磅综述：三万字长文读懂单细胞RNA测序分析的最佳实践教程)、DNA甲基化分析、重测序分析、GEO数据挖掘(典型医学设计实验GEO数据分析 (step-by-step))、批次效应...
gsea:用于基因组富集分析的R包
05-20
1. **数据预处理**：确保你的基因表达数据和基因集合文件已经准备好，并按照`gsea`包的格式要求进行整理。 2. **运行GSEA**：使用`gsea()`函数，输入表达数据和基因集合文件。例如： ```r result <- gsea(exprs_...
GSEA2:2 个互补基因集的基因集富集分析 (GSEA)-matlab开发
05-30
GSEA2 是 GSEA 的扩展版本，它根据排序基因列表评估两个互补基因集的富集情况。 基因组的例子包括 (a) TF 激活和 TF 抑制基因，(b) 促凋亡和抗凋亡基因。 参考1. Lim WK、Lyashenko E 和 Califano A. (2009) 用作...
GSEA在全基因组表达谱芯片数据分析中的应用
07-26
GSEA的优势在于其能够捕捉到微小但协调的基因表达变化，这些变化可能在单基因分析中被忽视。此外，GSEA的结果可以帮助研究人员生成假设，指导后续实验设计，并为疾病的发生、发展提供新的见解。 然而，使用GSEA也...
GSEApy:Python中的基因集富集分析
04-29
GSEApy有六个可用的子命令： gsea ， prerank ， ssgsea ， replot enrichr ， biomart 。 gsea： gsea模块产生GSEA结果。 输入以gmt格式查询txt文件（FPKM，预期计数，TPM等），cls文件和gene_sets文件。 预...
单基因GSEA，还是基于单基因表达谱分组后的GSEA？
悟道西方
06-20 4180
今天在讨论群看到有群友提问 单基因GSEA怎么做？。之前也看到过这个概念，但一直不清楚这个单是什么含义，一直以为是用单个基因做GSEA。如果之前看过生信宝典的一文掌握GSEA，超详细教程，一定会特别熟悉GSEA的原理和操作流程。当然越是理解，越是想不明白单个基因怎么做GSEA。当然如果您不熟悉GSEA，建议先看上一篇文章。 后来群友点拨理解了，不是对单个基因做GSEA，是拿单个基因 （一般是感兴趣...
单基因gsea_GSEA：基因集富集分析和ssGSEA:单样本基因集富集分析
weixin_39907289的博客
11-21 7821
传统富集分析(基于超几何分布或者Fisher精确检验)：关注一列差异基因是否是随机分布在某一感兴趣的基因集中(某通路的基因)得到通路富集的结果时：(1)、一条通路中既有上调基因又有下调基因，无法确定这条通路总体的表现形式(是抑制还是激活)将上调和下调的差异基因分开进行分析。(1)这样分析会对结果产生偏倚，因为Fisher精确检验就是想要证明整个差异基因列表不是抽样得到的，如果将上下调基因...
RNA 21. SCI 文章中单基因富集分析
weixin_41368414的博客
05-02 3547
最近好多文章都是以单个基因为中心，干湿结合发一篇分值蛮高的 SCI 论文，这个同样也是目前的一个趋势，单个基因在 pan-cancer中的分布情况，比如功能，临床预测预后等，都是一个方向，精细分析一个基因将是个性化诊疗的一个方向。我们看到发在frotiers上的一篇文章，就是单基因生信分析的这个思路。
单基因gsea_一个低调奢华有内涵的单基因分析思路
weixin_39815879的博客
11-21 1813
许久没有推出单基因分析思路了，很多粉丝常常会问到特定的单基因可以做什么思路，根据小编的经验来看单基因的思路是比较少的，很多都是发现调控轴然后做实验验证就完活了。因为研究的单一，能做的生信分析真的是很少很少，是真的不好分析，许多时候小编也是对此黔驴技穷，但是单基因分析接收率是真的高，因为专一嘛。今天的思路还挺别出心裁的，根据研究单个基因的互作基因来展开分析，小凳子搬好，开讲了。“免疫检测位...
单基因gsea_易学3+分套路：单基因免疫治疗预后
weixin_39640767的博客
11-21 592
今天给大家分享一篇简单易学的！它发表在Onco Targets Ther(IF=3.046)上，作者根据IFN-γ刺激基因，筛选出IFI30并证明其可作为胶质母细胞瘤治疗的新靶点。标题：IFI30 Is a Novel Immune-Related Target with Predicting Value of Prognosis and Treatment Response in Gl...
单基因gsea_JTO：日本Smoker基因组综合分析
weixin_39612540的博客
11-21 433
今天给大家带来的是2020年2月发表在J Thorac Oncol (12.46)杂志上的文章“Identification of Novel CD74-NRG2α Fusion From Comprehensive Profiling of Lung Adenocarcinoma in Japanese Never or Light Smokers”。在这篇文章中作者通过全转录组测序与外显子测序...
基因集富集分析(GSEA)简介
Asa12138的博客
09-21 7654
Gene Set Enrichment Analysis (GSEA) 是一种用于分析基因表达数据的计算生物学方法，旨在揭示与特定生物学过程、通路或功能相关的基因表达模式。
一个基因的GSEA分析代码
06-01
以下是一个简单的基因的GSEA分析代码示例，供参考： ```python import pandas as pd import numpy as np from scipy.stats import norm # 读取基因表达数据 gene_expression_data = pd.read_csv("gene_expression_data.csv") # 读取基因集合数据 gene_set_data = pd.read_csv("gene_set_data.csv") # 计算每个基因的表达值的均值 gene_expression_mean = gene_expression_data.mean(axis=1) # 基于基因表达均值计算基因的排名 gene_ranks = gene_expression_mean.rank(method='min') # 初始化GSEA参数 n_genes = len(gene_ranks) n_perms = 1000 gene_set_size_min = 15 gene_set_size_max = 500 alpha = 0.05 # 计算基因集合的ES值 def calculate_es(gene_set): gene_ranks_in_set = gene_ranks[gene_ranks.index.isin(gene_set)] gene_set_size = len(gene_ranks_in_set) if gene_set_size < gene_set_size_min: return np.nan else: es = 0 running_sum = 0 for gene_rank in gene_ranks: if gene_rank in gene_ranks_in_set: running_sum += 1 else: running_sum -= 1 es = max(es, running_sum) return es / gene_set_size # 计算基因集合的NES值 def calculate_nes(gene_set, gene_set_es, gene_set_size): gene_set_mean = gene_expression_mean[gene_expression_mean.index.isin(gene_set)] gene_set_sd = np.std(gene_set_mean, ddof=1) if gene_set_sd == 0: return np.nan else: nes = gene_set_es / gene_set_sd return nes # 计算随机排列基因集合的ES值 def calculate_permutation_es(gene_set): permuted_ranks = gene_ranks.sample(frac=1).reset_index(drop=True) permuted_es = calculate_es(gene_set, permuted_ranks) return permuted_es # 计算基因集合的p值和FDR校正的p值 def calculate_p_value(gene_set_es, permutation_es): p_value = (np.sum(permutation_es >= gene_set_es) + 1) / (len(permutation_es) + 1) fdr_p_value = p_value * n_perms return p_value, fdr_p_value # 进行GSEA分析 results = [] for index, row in gene_set_data.iterrows(): gene_set = row['gene_set'].split(',') gene_set_es = calculate_es(gene_set) if np.isnan(gene_set_es): continue gene_set_size = len(gene_set) if gene_set_size < gene_set_size_min or gene_set_size > gene_set_size_max: continue permutation_es = [calculate_permutation_es(gene_set) for i in range(n_perms)] p_value, fdr_p_value = calculate_p_value(gene_set_es, permutation_es) if fdr_p_value <= alpha: nes = calculate_nes(gene_set, gene_set_es, gene_set_size) results.append({ 'gene_set': row['gene_set'], 'es': gene_set_es, 'nes': nes, 'p_value': p_value, 'fdr_p_value': fdr_p_value, 'gene_set_size': gene_set_size }) # 输出结果 results_df = pd.DataFrame(results) results_df = results_df.sort_values(by=['fdr_p_value'], ascending=True) print(results_df) ``` 这个代码是一个简单的基因的GSEA分析代码示例，具体实现过程如下： 1. 读取基因表达数据和基因集合数据，计算每个基因的表达值的均值。 2. 基于基因表达均值计算每个基因的排名。 3. 初始化GSEA参数，包括基因集合的大小范围、置信水平等。 4. 定义计算基因集合的ES值、NES值、随机排列基因集合的ES值、p值和FDR校正的p值的函数。 5. 对每个基因集合进行GSEA分析，计算其ES值、NES值、p值和FDR校正的p值，筛选出FDR校正的p值小于等于置信水平的基因集合，并将结果保存在结果列表中。 6. 输出结果，按照FDR校正的p值升序排列。 需要注意的是，这个代码只是一个简单的示例，实际应用中可能需要根据具体情况进行修改和优化。
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
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