ChAMP加载肺癌数据和分析甲基化数据流程

逍遥_yjz

于 2024-05-27 14:00:30 发布

阅读量871

点赞数 30

分类专栏：生信分析工具文章标签： R

本文链接：https://blog.csdn.net/xiaoyaozizai017/article/details/139236400

版权

ChAMP加载肺癌数据和分析甲基化数据流程

在这里插入图片描述

1. 加载数据分析

#!/bin/evn R 
rm(list = ls())
library(rstudioapi)
current_script_path <- getActiveDocumentContext()$path

# 将路径转换为当前目录
current_directory <- dirname(current_script_path)

# 设置当前工作目录
setwd(current_directory)
getwd()

library(ChAMP)
library(minfi)
library(Illumina450ProbeVariants.db)
library(sva)
library(IlluminaHumanMethylation450kmanifest)
library(limma)
library(RPMM)
library(DNAcopy)
library(preprocessCore)
library(impute)
library(marray)
library(wateRmelon)
library(goseq)
library(plyr)
library(GenomicRanges)
library(optparse)
library(pheatmap)
library(ggplot2)

filepath='D:/aR_project/methylation/extdata'

arraytype="450K"
out = "DNAmearray"

## 数据导入与过滤
data <- champ.load(filepath,arraytype = arraytype)

# 输出 data 的列名
names(data)
# [1] "beta"      "intensity" "pd"   

# 输出 data$beta 的维度
dim(data$beta)
# [1] 403116      8

# 检查是否存在缺失值
table(is.na(data$beta))
# 
  FALSE 
3224928 

# 输出 data$beta 的前几行
data$beta[1:2, 1:8]
                  C1        C2        C3        C4        T1        T2        T3        T4
cg00000957 0.7927427 0.8162839 0.8726977 0.8476140 0.8732848 0.8281842 0.6992366 0.7535339
cg00001349 0.6733450 0.6275007 0.6769735 0.7097567 0.4665632 0.7616798 0.2443499 0.4557010

# 输出 data$intensity 的维度
dim(data$intensity)
# [1] 403116      8

# 输出 data$pd 的维度
dim(data$pd)
# [1] 8 8

extdata文件夹内包含数据如下：

2. 数据质控

读取数据之后需要进行一些质控。

直接一个函数搞定：champ.QC()。

champ.QC(beta = data$beta,
         pheno=data$pd$Sample_Group,
         mdsPlot=TRUE,
         densityPlot=TRUE,
         dendrogram=TRUE,
         PDFplot=TRUE,
         Rplot=TRUE,
         Feature.sel="None",
         resultsDir="./")

会生成3张图，放在CHAMP_QCimages这个文件夹下。

MDS plot：根据前1000个变化最大的位点看样品相似性。
densityPlot：每个样品的beta分布曲线，比较离群的可能是质量比较差的样本。
聚类图

3. 标准化

使用champ.norm()函数实现，提供4种方法：

BMIQ,
SWAN,
PBC,
FunctionalNormliazation

FunctionalNormliazation需要rgSet对象，SWAN需要rgSet和mset，PBC和BMIQ只需要beta 矩阵，FunctionalNormliazation和SWAN需要在读取数据时使用method = "minfi"。

myNorm <- champ.norm(beta = myLoad$beta,
                     arraytype = "EPIC",
                     cores = 8
                    )

3.1 方法解释

BMIQ (Beta Mixture Quantile Normalization)

用途：用于标准化 β 值，使其在各个样本之间具有相似的分布。
输入：只需要 β 值矩阵（beta）。

使用方法

myNorm <- champ.norm(beta = myLoad$beta,
                     method = "BMIQ",
                     arraytype = "EPIC",
                     cores = 8)

SWAN (Subset-quantile Within Array Normalization)
- 用途：考虑 Illumina BeadChip 上不同探针类型的差异，通过调整其分布来进行标准化。
- 输入：需要 β 值矩阵（beta），以及 RGSet 和 MSet 对象。
- 使用方法
```
myNorm <- champ.norm(beta = myLoad$beta,
                     rgSet = myLoad$rgSet,
                     mset = myLoad$mset,
                     me
```