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:
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: