Count，TPM，FPKM，CPM之间的格式转换——Count转FPKM

前一期讲到fpkm转tpm格式，应很多粉丝要求，下面我们将数据清洗这一块的知识全部汇总，继续给大家讲解：

下面讲一下count转换为fpkm：

### 需求描述

RNA-seq read count转换成FPKM。

### 应用场景

只能拿到RNA-seq数据的read count，想转换成FPKM。

下面我们需要准备两个文件，文件如下：

一个是表达数据，即read_count数据，一个是基因长度数据。

表达数据我们需要进网站下载一个，比如我们就在TCGA随便找一个数据：

UCSC Xenahttps://xenabrowser.net/datapages/?dataset=TCGA-ACC.htseq_counts.tsv&host=https%3A%2F%2Fgdc.xenahubs.net&removeHub=https%3A%2F%2Fxena.treehouse.gi.ucsc.edu%3A443下载一个ACC的count数据：

下载数据解压以后，数据如下所示。

注意：此处的单位为log2(Count+1)，我们需要将其转变成Count，才能进行FPKM格式转化。

下面我们要准备基因长度的文件，由于此处处理过程较为复杂，我们已经计算好了基因长度的文件并上传到百度网盘，购买者可自行下载：链接：https://pan.baidu.com/s/1wxWhRq_QKqm8Y8PXizYGtw 
提取码：n8wr 

现在我们有了基因长度和read count数据，下面我们就进行转化了：

先把log2（Count+1）转换为Count：

setwd("C:\\Users\\Lijingxian\\Desktop\\写博客的书籍\\数据清洗")
dir()
data <- read.csv("TCGA-ACC.htseq_counts.tsv",header = T,sep = "\t")
data[1:5,1:5]
rownames(data) <- data$Ensembl_ID
data <- data[,-1]
data[1:5,1:5]
data <- 2^data-1
data[1:5,1:5]

# > data[1:5,1:5]
#                   TCGA.OR.A5JP.01A TCGA.OR.A5JG.01A TCGA.OR.A5K1.01A TCGA.OR.A5JR.01A TCGA.OR.A5KU.01A
#ENSG00000000003.13             1745             1687             1220             2793             1837
#ENSG00000000005.5                 5               15                1                1                1
#ENSG00000000419.11             2630             2810             2050             2563             1679
#ENSG00000000457.12              568              402              219              531              246
#ENSG00000000460.15              206              227              120              215               87

 然后读取基因长度文件，对基因长度文件和表达文件进行排序和处理，确保位置一致，格式一致：

length <- read.csv("gene_length.csv",header = T,sep = ",")
head(length)
rownames(length) <- length$X
head(length)
rownames(length) <- substr(rownames(length),1,15)
rownames(data) <- substr(rownames(data),1,15)
data[1:5,1:5]
head(length)
inter <- intersect(rownames(data),rownames(length))
data <- data[inter,]
length <- length[inter,]
data[1:5,1:5]
identical(rownames(length),rownames(data))
if (identical(rownames(length), rownames(data))){
  print("GTF and expression matix now have the same gene and gene in same order")
}



# "GTF and expression matix now have the same gene and gene in same order"

处理好以后：

运行下面代码即可转换为FPKM格式：

countToFpkm <- function(counts, effLen){
  N <- sum(counts)
  exp( log(counts) + log(1e9) - log(effLen) - log(N) )
}

fpkms <- apply(data, 2, countToFpkm, effLen = length$eff_length)
fpkms.m<-data.frame(fpkms)
colnames(fpkms.m)<-colnames(data)
dim(fpkms.m)
#查看前三个基因的TPM值
fpkms.m[1:3,]
write.csv(fpkms.m,"ACC_FPKM.csv")

注意此处是FPKM格式，如果要进行分析，我们还需要转换成log2（FPKM+1）格式：

fpkms.m <- log2(fpkms.m+1)
write.csv(fpkms.m,"ACC_log2(FPKM+1).csv")

文件夹中就会多出如下文件：