采用DESeq2对表达量进行PCA和聚类分析

最新推荐文章于 2024-07-30 14:13:39 发布
最新推荐文章于 2024-07-30 14:13:39 发布
阅读量1w 收藏 27
点赞数 2
文章标签： 聚类 可视化 算法 python java
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/weixin_43569478/article/details/108079267
版权
本文介绍了如何使用DESeq2对基因表达数据进行PCA和聚类分析，强调了rlog和VST转换在提高分析效果中的作用，并通过示例展示了不同转换方法对PCA图的影响。
摘要由CSDN通过智能技术生成

欢迎关注”生信修炼手册”!

得到基因/转录本的表达量之后，通常会通过以下三种类型的图表来检验和分析生物学样本和实验设计间关系。

1.  样本的聚类树

利用所有样本的表达量数据，对样本进行聚类。理论上如果样本和实验操作都没有问题，那么属于同一组的生物学重复样本会聚到一起。示意图如下

上图中，样本的名称用组别代替，可以看到，同一条件的样本聚在了一起。

2. PCA图

通过主成分分析进行降维，在二维或者三维平面上展示样本点的分布，根据点的位置，也可以看出属于同一组的样本是否在一起，不同组之间的样本有没有明显分开，示意如下


从图中可以看到，不同条件的样本区分的很明显，而生物学重复之间距离较近，表明生物学重复的一致性和不同分组的差异性较好。

3.  热图

相比样本的聚类树，热图包含了更多的信息，比如可以直观的展示不同分组间表达量的差异，也是常见的可视化手段之一，示意如下

只要有样本的表达量矩阵，DESeq2可以轻松的画出以上3种图表。但是我们应该选择原始的表达量矩阵

最低0.47元/天 解锁文章
生信修炼手册
关注
  • 2
    点赞
  • 踩
  • 27
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
转录组-PCA分析
weixin_59909329的博客
04-06 7685
PCA分析步骤： 第一步，对所有样本进行中心化 第二步，求特征协方差矩阵 第三步，求协方差矩阵的特征值和特征向量 第四步，将特征值按照从大到小的顺序排序，选择其中最大的k个，然后将其对应的k个特征向量分别作为列向量组成特征向量矩阵 第五步，将样本点投影到选取的特征向量上(用欧氏距离方程计算点间距离) getwd() #导入三张表 gene_exp<-read.csv("gene_exp.csv",header = T,row.names = 1) gene_info<-re..
基础算法---主成分分析PCA聚类
DXdaxian的博客
05-18 4097
PCA原理 什么是主成分分析 如果一个数据集有1w个特征，针对研究目标，不可能分析每一个特征；有些特征间存在高度相关性，相关系数可能高达95%；有些特征是另一些特征的子集；因此需要降维，去掉作用较小的特征。 PCA中的数学一：向量的内积 向量默认是列向量 A和B的单位向量B’的内积，就会A在B上的投影 PCA中的数学二：基 线性无关：向量正交。正交向量的内积等于0。 将图中这组基（蓝色），旋转任意角度，都可以成为一组新的基 PCA中的数学三：基变换 同理，（3，2）和单位向量y1’、y2’的内积，就
RNA-seq 详细教程：样本质控（6）
最新发布
Matcha_flavor的博客
07-30 1247
PCAPCA
聚类算法——主成分分析（PCA）
热门推荐
CBF_genominer的博客
05-05 1万+
PCA（Principal Component Analysis）是一种常用的数据分析方法。PCA通过线性变换将原始数据变换为一组各维度线性无关的表示，可用于提取数据的主要特征分量，常用于高维数据的降维。网上关于PCA的文章有很多，但是大多数只描述了PCA的分析过程，而没有讲述其中的原理。这篇文章的目的是介绍PCA的基本数学原理，帮助读者了解PCA的工作机制是什么。当然我并不打算把文章写成纯数学文章
KMeans、dbscan、PCA综合练习（聚类分析）
Braylon的博客
10-01 1947
这是我老师给我的一份数据集，用于练习，我把我的心路历程push出来，也都是一些很基础的聚类方法，非常适合初学者入门。 先上数据集： https://pan.baidu.com/s/1i5Y3_anBjsxGVird3oZyTA 提取码：iy5a 里面是一个breast的txt文件，700个样本，10维的数据，前九维是属性，最后一维是类别标签，对了这里声明一下，我后面的操作都是做的无监督的情况，也...
PCA降维提取特征脸并进行聚类分析
龙晨天的博客
08-20 3061
PCA降维提取特征脸并进行聚类分析 1. 题目 给定的人脸图像数据集，计算相应的特征脸(eigenfaces)，并探讨pca降维后特征个数与聚类性能的关系。 2. 代码实现 """ eigenface的python实现 """ import cv2 import os import numpy as np import matplotlib.pyplot as plt import PIL.Image as Image from sklearn.decomposition import PCA from
matlab聚类分析pca方法
04-21
matlab聚类分析中的pca方法程序。可以执行。需要matlab版本2014以上
kmeans 对表达量进行聚类
weixin_30586257的博客
09-04 533
代码如下 df = pd.read_csv("../kmeans/gene.fpkm.csv",header=None) print df.head() #去掉第一行 tdf = df.drop(index=[0]) #去掉第一列 mdf = tdf.drop([0],axis=1) #获取第一列作为行的名称 rownames=tdf[0] #获取第一行作为列的...
哈佛大学——差异表达分析（六）样本水平质控（PCA和分层聚类）
weixin_46585008的博客
11-04 1万+
文章目录学习目标质量控制样本水平WC 学习目标 转换计数的无监督聚类方法(unsupervised clustering methods) 用主成分分析(Principal Components Analysis)评价样品质量 数据集中样本的层次聚类(Hierarchical clustering) 质量控制 DESeq2工作流程的下一步是QC，包括样本水平(sample-level)和基因水平(gene-level)的步骤，对计数数据进行QC检查，以帮助我们确保样本/重复看起来良好。 样本水平WC
399 基于聚类分析的属性数据挖掘技术.rar_属性数据聚类_属性聚类分析_挖掘_聚类分析_聚类算法
09-23
聚类分析在众多领域有着广泛应用，如市场细分、生物信息学、图像分析和社交网络研究。例如，在市场细分中，企业可以通过聚类找到具有相似购买习惯的消费者群体，以便制定更有针对性的营销策略。在生物信息学中，聚类...
R语言实现聚类分析、PCA实现与应用
03-20
利用R语言编写的聚类分析、PCA算法的实现以及应用，用于生物信息学领域的数据分析，有助于R语言与生物信息数据处理的入门有帮助！包含数据集（.txt）
rna聚类分析_实验记录11：scanpy对scRNA-seq数据的聚类分析
weixin_34489089的博客
01-12 1594
R在读取和处理数据的过程中会将所有的变量和占用都储存在RAM当中，这样一来，对于海量的单细胞RNA-seq数据(尤其是超过250k的细胞量)，即使在服务器当中运行，Seurat、metacell、monocle这一类的R包的使用还是会产生内存不足的问题。但是最近我发现了一个基于python的单细胞基因表达分析包scanpy，能够很好地在我这个仅4G内存的小破机上分析378k的细胞，并且功能丰富程度...
常用的统计分析方法总结(聚类分析、主成分分析、因子分析)
weixin_44576834的博客
11-20 1万+
一.聚类分析 聚类的目的 1.间隔尺度：变量用连续的量来表示【常用】 2.有序尺度：有次序关系，指标有有序的等级来表示 3.名义尺度：指标用一些类来表示，这些没有等级和数量的关系 1.1聚类分析的类型 Q型聚类：对样品的聚类 R型聚类：对变量的聚类 1.2聚类分析按研究方法分类 1.系统聚类法:由N类–1类 2.分解法：由1类—N类 3.K-均值法：事先在聚类过程中确定在K类，适用于数据量大的数据 4.有序样品的聚类：N个样品排序，次序相邻的样品聚成一类 5.模糊聚类法：模糊数学的方法，多用于定性变
聚类算法
AutismPatiente的博客
12-15 545
应用场景:用户画像,广告推荐等等 一种典型的无监督学习算法,主要将相似的样本自动归到一个类别中,计算样本之间的相似性,一般使用欧式距离 聚类算法和分类算法的区别: 聚类算法时无监督的学习算法 分类算法属于监督的学习算法 流程: 事先确定常数K,常数K意味着最终聚类类别数 随机选定初始点为质心,并通过计算每一个样本与质心之间的相似度(欧氏距离),将样本点归到最相似的类中 重新计算每个类的质...
第二章 聚类分析-PCA降维（笔记）
weixin_42660711的博客
03-11 2483
PCA降维 主成分分析法（Principal Components analysis PCA）是一种分析、简化数据集的技术。PCA可以将数据从原来的向量空间映射到新空间中。由于每次选择的都是方差最大的方向，所以往往经过前几个维度的划分后，之后的数据排列都非常紧密了，我们可以舍弃这些维度从而实现降维。 上述看起来很晦涩难懂，我们可以大致知道PCA就是提出空间数据中的主要特征（主元），减少数据冗余，使得数据在一个低维的特征空间被处理，同时保持原始数据的绝大部分信息，从而解决数据空间维度过高的问题。 原理 内积
机器学习实践六---K-means聚类算法 和 主成分分析（PCA）
stevenhenry的专栏
03-04 2908
在这次练习中将实现K-means 聚类算法并应用它压缩图片，第二部分，将使用主成分分析算法去找到一个脸部图片的低维描述。 K-means Clustering Implementing K-means K-means算法是一种自动将相似的数据样本聚在一起的方法,K-means背后的直观是一个迭代过程，它从猜测初始的质心开始，然后通过重复地将示例分配到最接近的质心，然后根据分配重新计算质心，来细化这...
R语言绘图--PCA图
Mrrunsen的博客
01-29 4050
PCA（Principal Component Analysis）是一种常用的数据分析方法。PCA通过线性变换将原始数据变换为一组各维度线性无关的表示，可用于提取数据的主要特征分量，常用于高维数据的降维。在生物信息分析中，PCA常用于分析不同样本之间的相互关系，可以基于表达量或者SNP突变类型进行分析。 R语言是一门专门针对统计绘图等需求设计的编程语言，在R语言中，内置了PCA分析的函数prcomp。直接调用这个函数可快速针对一组数据进行PCA分析。配合ggplot2等绘图包，可以方便的生成PCA分析可视
生信分析——聚类分析
qq_45478665的博客
07-30 4525
概念：将物理或者抽象的对象的集合分成有类似的对象组成的多个类或者多个簇的过程被称为聚类。 实现过程： 1.进行数据预处理（在生信中聚类分析的预处理是使用PCA进行主成分分析） 2.进行数据的标准化 主要的聚类算法都包括： 1.基于划分的的聚类方法（这主要就是生信聚类分析的主要算法）：对给定的包含n个样本的数据集，可以将数据划分为k个组，即构成数据的k个划分（与k-means关系？），每个划分表示一个聚簇。 要求：（1）每个组至少包括一个对象（2）每个对象必须且仅属于一个组 2.基于层次的聚类方
PCA：常用线性降维法详解与实例分析
在数据分析和机器学习领域，它被用于数据预处理、特征提取以及可视化等方面。 PCA的基本原理是寻找数据集中各变量之间的线性组合，使得新的合成变量（即主成分）按照方差的大小排列。通过这种变换，我们可以将原始...
评论 2
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