GSVA基因集打分/多通路limma差异分析流程及可视化学习和整理

最新推荐文章于 2024-08-28 20:18:30 发布
最新推荐文章于 2024-08-28 20:18:30 发布
阅读量884 收藏 14
点赞数 18
分类专栏： 科研工具 文章标签： 人工智能 数据分析 数据库
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/zfyyzhys/article/details/141576596
版权
基因集变异分析

GSVA（Gene Set Variation Analysis，基因集变异分析） 是一种无监督的基因集富集分析方法，用于评估样本层面上基因集（如 KEGG 路径、GO 术语）的表现。与传统的基因集富集分析不同，GSVA 不是直接检测不同基因集在不同实验条件下的富集程度，而是计算每个样本中预定义的基因集的富集得分，从而评估基因集在不同样本或条件下的变异性。

应用场景：

评估基因集的表现：GSVA 通过计算样本中基因集的富集得分，评估基因集在不同样本中的表现。这使得研究者可以在无监督的背景下评估不同样本中的基因集活动水平，而无需先定义实验组和对照组。

样本分类：GSVA 可以用于对样本进行分类或聚类分析，帮助识别样本间基因集的差异，从而揭示潜在的生物学机制。

医学科研：GSVA 在医学科研中具有重要应用，可以根据患者的基因表达谱评估关键基因集的活性水平，进而指导个性化治疗方案的选择。

适用范围/条件：

单细胞/bulk RNA数据：GSVA 适用于处理来自单细胞或bulkRNA 测序的基因表达数据。

基因集分析：适用于任何预定义的基因集，如 KEGG 路径、GO 术语、TF 调控网络等。

无监督分析：GSVA 主要用于无监督分析背景下的基因集富集分析，不需要预先定义样本的分组信息。

GSVA 与其他算法的差别

  1. 与 GSEA（Gene Set Enrichment Analysis）的差别：

分析方式：GSEA 主要用于检测不同实验组（如实验组和对照组）之间基因集富集差异，而 GSVA 是在每个样本层面计算基因集的富集得分。

输入数据：GSEA 需要预先定义样本分组，而 GSVA 则不需要分组信息，可以直接在无监督的情况下计算基因集在每个样本中的表现。

分析结果：GSEA 的结果是基因集在不同条件下的富集显著性（如 p 值），而 GSVA 的结果是每个样本中基因集的富集得分（一个连续值）。

  1. 与 ssGSEA（Single-sample Gene Set Enrichment Analysis） 的差别：

分析思路：ssGSEA 是 GSEA 的扩展，用于计算每个样本中基因集的富集得分。它与 GSVA 相似，都是针对单个样本进行的分析。

算法实现：GSVA 和 ssGSEA 在计算基因集富集得分时采用不同的算法。GSVA 使用的是非参数核密度估计方法，而 ssGSEA 是基于样本排序的积分方法。

应用场景：虽然二者应用场景类似，但 GSVA 通常被认为在处理批量样本时更为稳定，而 ssGSEA 更直接用于单样本分析。

  1. 与其他基因集富集算法（如 CAMERA, ROAST）的差别：

统计假设：CAMERA 和 ROAST 等方法基于线性模型和统计假设，用于评估预定义基因集在不同实验条件下的富集显著性。这些方法通常要求有明确的样本分组信息。

适用范围：GSVA 不依赖于分组信息，因此在无监督分析或复杂实验设计中更为灵活，而 CAMERA 和 ROAST 则更适合在明确分组的实验设计中使用。

GSVA基因集打分分析步骤及热图
1、加载R包、导入数据

准备了乳酸化和缺氧两个基因集

rm(list = ls())  
setwd("./2-gsva/")
library(readxl)
library(GSVA)

load(file = "combat.Rdata")
exp[1:4,1:4]
#           GSM3106326 GSM3106327 GSM3106328 GSM3106329
# LINC01128   8.000049   8.044479   7.311868   7.610713
# SAMD11      7.499611   7.562370   7.412649   7.239141
# KLHL17      7.662076   7.672331   7.627330   7.564212
# PLEKHN1     7.666884   7.889537   7.640606   7.746440
head(pd)[1:4,1:4]
#                                                title                  samples   GSE_num group
# GSM3106326 Pulmonary arterial hypertension patient 1   idiopathic PAH patient GSE113439   PAH
# GSM3106327 Pulmonary arterial hypertension patient 2 patient with PAH and CHD GSE113439   PAH
# GSM3106328 Pulmonary arterial hypertension patient 3 patient with PAH and CTD GSE113439   PAH
# GSM3106329 Pulmonary arterial hypertension patient 4 patient with PAH and CHD GSE113439   PAH
lactate <- read_excel("Hypoxia Related Genes.xls", sheet = 1)
names(lactate) <- "lactate"
hypoxia <- read_excel("Hypoxia Related Genes.xls", sheet = 2)
names(hypoxia) <- "hypoxia"
2、GSVA分析
# 制作基因集list
# 其中要把基因集变成matrix哦~ 
dataset <- list("hypoxia"= as.matrix(hypoxia),"lactate"= as.matrix(lactate))

# GSVA
gsvaPar <- gsvaParam(exp, dataset,maxDiff = TRUE)
gsvaPar 
# A GSVA::gsvaParam object
# expression data:
#   matrix [18837, 132]
#     rows: LINC01128, SAMD11, ..., SPRR2G (18837 total)
#     cols: GSM3106326, GSM3106327, ..., GSM1291010 (132 total)
# using assay: none
# gene sets:
#   list
#     names: 493 hypoxia-related genes (1 total)
#     unique identifiers: ADM, ABCB1, ..., VPS11 (493 total)
# gene set size: [1, Inf]
# kcdf: Gaussian
# tau: 1
# maxDiff: TRUE
# absRanking: FALSE
expr_geneset <- gsva(gsvaPar)
dim(expr_geneset)
head(expr_geneset)[1:2,1:4]
#          GSM3106326 GSM3106327  GSM3106328 GSM3106329
# hypoxia  0.08122476  0.1611271 -0.04422083 -0.1121407
# lactate -0.17011732  0.1384359  0.33231938  0.0823520
3、可视化-热图
library(ComplexHeatmap)
data_total <- as.data.frame(t(expr_geneset))
identical(rownames(data_total),rownames(pd))

# 检查数据类型是否正确转换为数值型
library(dplyr)
data_total <- data_total %>% mutate_all(as.numeric)
# 标准化-方法3
# 范围限定在-2至2
data_total <- scale(data_total)
range(data_total)
data_total[data_total > 2] <- 2
data_total[data_total + 2 < 0] <- -2

# 也可以用circlize创建颜色映射
# 定义颜色渐变
library(circlize)
color_fun <- colorRamp2(c(-2, 0, 2), c("#336699", "white", "tomato"))

# pd$type 和 pd$samples 是注释数据怎么上色
type_colors <- c("control" = "green", "PAH" = "red")
samples_colors <- c("all PAH" = "blue", "CTEPH patient" = "orange", "FD" = "purple",
                    "idiopathic PAH patient" = "brown", "normal control" = "yellow",
                    "patient with PAH and CHD" = "pink", "patient with PAH and CTD" = "magenta",
                    "pulmonary arterial hypertension (PAH) patient" = "cyan")
GSE_colors <- c("GSE113439" = "navy","GSE53408"="darkolivegreen","GSE117261"="darkgoldenrod")

# 注意这里是行注释！如果是顶部注释需要用HeatmapAnnotation
rowAnno <- rowAnnotation(type = pd$group,samples = pd$samples,GSE_num =pd$GSE_num,
                                col = list(type = type_colors, 
                                           samples = samples_colors,
                                           GSE_num = GSE_colors))

ComplexHeatmap::Heatmap(data_total, 
                        na_col = "white",
                        col = color_fun,  # 添加颜色映射函数
                        show_column_names = T, #是否显示列名
                        row_names_side = "left",
                        name = "fraction",
                        row_order = c(rownames(data_total)[c(grep("control",pd$group),
                                                                grep("PAH",pd$group))]),
                        row_split = pd$group, 
                        row_title = NULL,
                        cluster_columns = F,
                        left_annotation = rowAnno,
                        #top_annotation = columnAnno,
                        #heatmap_width = unit(20, "cm"),  # 调整热图宽度
                        #row_dend_width = unit(1, "cm"),  # 调整聚类树宽度
                        cluster_rows = F, # 行聚类
                        row_names_gp = gpar(fontsize = 0),  # 调整行名字体大小
                        column_names_gp = gpar(fontsize = 12)
                        #cluster_columns = FALSE # 列聚类。                     
                        )

多条通路GSVA分析及limma差异分析步骤及热图
1、GSVA分析

数据跟上面的一样

###GSVA分析
library(msigdbr)
library(GSVA)
library(tidyverse)
library(clusterProfiler)
library(patchwork)
library(limma)
library(data.table)

#genesets <- msigdbr(species = "Homo sapiens") 
genesets <- msigdbr(species = "Homo sapiens", category = "C2", subcategory = "CP:KEGG")
genesets <- subset(genesets, select = c("gs_name","gene_symbol")) %>% as.data.frame()
genesets <- split(genesets$gene_symbol, genesets$gs_name)

# gsva默认开启全部线程计算
gsvaPar <- gsvaParam(exp, genesets,maxDiff = TRUE)
gsvaPar 
gsva.res <- gsva(gsvaPar)
dim(gsva.res)
head(gsva.res)[1:5,1:5]
#                                                 GSM3106326  GSM3106327  GSM3106328  GSM3106329  GSM3106330
# KEGG_ABC_TRANSPORTERS                            0.07197716 -0.17846775  0.18517308 -0.15940843 -0.25379687
# KEGG_ACUTE_MYELOID_LEUKEMIA                     -0.05004563 -0.05015776  0.17257837 -0.33558735  0.09424981
# KEGG_ADHERENS_JUNCTION                          -0.14788713 -0.10257106 -0.18413147  0.05595831  0.25874815
# KEGG_ADIPOCYTOKINE_SIGNALING_PATHWAY            -0.12701380 -0.36331421 -0.27864321 -0.41398011 -0.10789732
# KEGG_ALANINE_ASPARTATE_AND_GLUTAMATE_METABOLISM  0.04323269  0.29484579  0.02247517 -0.15112383 -0.16768683
write.csv(gsva.res,"gsva.res.csv")

2、limma差异分析
# 不同通路之间的limma差异分析
# 一定要设置分组信息！
identical(colnames(gsva.res),rownames(pd))
s <- intersect(colnames(gsva.res),rownames(pd))
gsva.res <- gsva.res[,s]
pd <- pd[s,]

Group <- factor(pd$cluster,levels = c("c1","c2"))
design = model.matrix(~Group)
fit = lmFit(gsva.res,design)
fit = eBayes(fit)
pathway_res = topTable(fit,coef = 2,number = Inf)
pathway_res[1:5,1:5]
#                                             logFC      AveExpr         t      P.Value    adj.P.Val
# KEGG_PROTEASOME                          0.4510362 -0.302452399  8.637118 2.410744e-13 4.483983e-11
# KEGG_FRUCTOSE_AND_MANNOSE_METABOLISM     0.3944620 -0.002586752  6.339069 9.818417e-09 9.131127e-07
# KEGG_RNA_POLYMERASE                      0.4186369 -0.053443215  6.074686 3.152025e-08 1.772463e-06
# KEGG_VASCULAR_SMOOTH_MUSCLE_CONTRACTION -0.2652879 -0.029894344 -6.011044 4.162805e-08 1.772463e-06
# KEGG_P53_SIGNALING_PATHWAY               0.2808839 -0.035073110  5.980057 4.764685e-08 1.772463e-06
write.csv(pathway_res,"pathway_res.csv")
# 标准自定啊！
range(pathway_res$logFC)
range(pathway_res$adj.P.Val)
pathway_sig <- pathway_res[pathway_res$adj.P.Val<0.001 & abs(pathway_res$logFC) > 0.2,]

3、可视化热图
###热图
library(pheatmap)
library(stringr)
# 这里又把排名靠前的通路提取出来，去跟gsva之后的数据取交集，得到不同样本下的通路数据
data <- gsva.res[match(rownames(pathway_sig),rownames(gsva.res)),]

#对数据进行排序
identical(rownames(pd),colnames(data))
Group <- factor(pd$cluster,levels = c("c1","c2"))
sort_data <- order(Group)
n <- data[,sort_data]
pd <- pd[sort_data,]

# 调整颜色梯度
range(data)
breaksList = seq(-0.5, 0.5, by = 0.1)
colors <- colorRampPalette(c("#336699", "white", "tomato"))(length(breaksList))

#创建列和行注释
annCol <- data.frame(group = pd$cluster,
                     row.names = colnames(data),
                     stringsAsFactors = FALSE)
#annRow <- data.frame(row.names = rownames(data))
pheatmap(data,
         annotation_col = annCol,
         #annotation_row = annRow,
         color = colors,
         breaks = breaksList,
         cluster_rows = T,
         cluster_cols = FALSE,
         show_rownames = TRUE,
         show_colnames = FALSE,
         #gaps_col = cumsum(table(annCol$Type)),  # 使用排序后的列分割点
         #gaps_row = cumsum(table(annRow$Methods)), # 行分割
         fontsize_row = 6,
         fontsize_col = 6,
         annotation_names_row = FALSE
         )

参考资料：

1、GSVA： https://www.bioconductor.org/packages/release/bioc/html/GSVA.html

2、生信技能树： https://mp.weixin.qq.com/s/4gVTgTGHnNms5x-1pvRslg

3、生信菜鸟团： https://mp.weixin.qq.com/s/K3WkllrTV3T_LN3gC6HWaQ

致谢：感谢曾老师、小洁老师以及生信技能树团队全体成员。

注：若对内容有疑惑或者有发现明确错误的朋友，请联系后台(欢迎交流)。更多内容可关注公众号：生信方舟

- END -

凑齐六个字吧
关注
  • 18
    点赞
  • 踩
  • 14
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
代谢组数据分析五：功能分析
H20230717的博客
04-28 596
代谢物通路包含了基因、催化酶或代谢物等上下游关系的先验知识，通过将关心的代谢物比对到通路上，再根据如超级几何分析等数学方法计算受影响的代谢物是否能够影响通路。代谢物富集分析的目的是为了解析某些差异代谢物是否落在某些pathway上（可简单理解为单个差异代谢物解释pathway较弱，同一pathway的代谢物共同解释该通路变化则证据较为robust，在很多生物领域均存在类似的处理逻辑），进而影响pathway的功能。基于pathway可分析代谢物的上下游基因或酶等影响，最终阐明作用机制。
gsva ssgsea单细胞gsea
生信小博士的博客
07-13 626
官方文档：GSVA: gene set variation analysis (bioconductor.org)不错的一篇文章：GSVA的使用 - raisok定义基因集变异分析(GSVA)是一种特殊类型的基因集富集方法，通过对分析的功能单元进行概念上简单但功能强大的改变——从基因到基因集，从而实现对分子数据的路径中心分析。简单来说，就是将分析对象由基因换成了基因集，进行基因集（通路）级别的差异分析。原理和作用。
RNA 20. SCI 文章中单样本免疫浸润分析 （ssGSEA）
weixin_41368414的博客
04-28 2393
RNA 20. SCI 文章中单样本免疫浸润分析 （ssGSEA） 近一年发文量最高的方法之单样本免疫浸润分析 （ssGSEA）
跟着 Nat Med. 学作图 | GSVA+limma差异通路分析+发散条形图
热门推荐
weixin_45822007的博客
02-18 1万+
跟着 Nat Med. 学作图 | GSVA+limma差异通路分析+发散条形图Lambrechts D, Wauters E, Boeckx B, et al. Phenotype mo...
TCGA 数据分析实战 —— 富集分析
dxs18459111694的博客
05-30 1249
通常，在识别完了差异基因之后，都会对差异基因进行功能富集，来获取差异基因参与的潜在生物学功能通路或生物学进程，有助于理解基因之间的作用关系以及发现基因在癌症发生发展过程中发挥的作用。通路，通常是一些已知的功能相关的基因集合，而我们常说的基因集合，一般是忽略了基因之间互作关系的通路。最常见的通路富集，是使用GO和KEGG数据库中预定义的生物学通路。
【小迪安全笔记V2022】信息打6~8
2202_75354817的博客
08-25 2760
小迪安全学习笔记
python 实现convolution neural network卷积神经网络算法
luthane的博客
08-26 6726
卷积神经网络（Convolutional Neural Networks, CNN）是一种包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks, FNN），是深度学习的代表算法之一。基本原理CNN的核心思想是通过模拟人类视觉系统的工作方式，自动提取图像中的特征，并将其用于分类、检测、分割等任务。它主要受到了生物学上感知机制的启发，模拟了人类视觉系统中的感知细胞和复杂细胞的工作方式。
透明性和解释性AI：概念与应用
weixin_49007164的博客
08-25 2275
透明性AI指的是AI系统的操作过程、决策机制、数据流动和模型行为是可理解和可追踪的。换句话说，透明性AI使得人们可以清楚地看到AI系统是如何做出决策的，这一过程包括输入数据的处理方式、模型的内部计算过程、以及最终决策的产生机制。解释性AI是指AI系统不仅能够给出决策结果，还能够提供关于该决策如何产生的解释。解释性AI的目标是帮助用户理解AI的行为，尤其是当AI的决策与预期不符时，提供合理的解释来消除用户的疑虑。
【python计算机视觉编程——1.基本的图像操作和处理】
m0_53694086的博客
08-26 6128
参数sigma为标准差（σ），是高斯滤波器的一个重要参数，它控制滤波器的平滑程度。标准差越大，高斯函数的曲线越宽，滤波器的影响范围就越大。标准差较大: 高斯滤波器会在更大范围内进行平滑，使得图像变得更加模糊，细节和边缘特征会被更强地平滑掉。标准差较小: 高斯滤波器会产生较小范围的平滑效果，图像的细节保留更多。还可以给定转换矩阵，将RGB图像转换为CIE XYZ色彩空间。图像像素值被分成128个区间，用于计算每个区间的像素值频率。可以返回目录中所有jpg图像的列表。
【自由能文章系列（简单难度）】【开篇论文】自由能原理在多个领域的统一视角
神经美学_茂森的博客
08-27 1176
自由能原理作为一个统一的理论框架，成功地将多个看似不相关的领域（如神经科学、物理学、经济学、信息论、控制论、认知科学和生物学进化）联系在一起。通过自由能原理，我们可以更深刻地理解不同系统如何在给定条件下实现最优行为或状态。#自由能原理 #跨领域统一框架 #优化逻辑 #参数调节 #贝叶斯大脑 #预测编码 #最优控制 #注意力机制 #自然选择 #机器学习。：自由能原理、跨领域统一框架、优化逻辑、参数调节、贝叶斯大脑、预测编码、最优控制、注意力机制、自然选择、机器学习。
论大模型在金融行业的应用场景
m0_53773302的博客
08-25 1376
需要指出的是，虽然上面这些场景都是大家能够最先想到的，但真正要做的很好，也不是那么容易，必须结合优质的技术架构与工具设计，模型优化，数据准备与处理，以及反复的尝试与试错，同时也不可避免的需要对所在行业与场景知识的专业性通过实操深入理解。但如果想到达到90%以上的准确率，那就必须结合专业细致的行业数据、话术抽象、切分，上下文学习/RAG使用，知识图谱的构造，人类反馈的常态化，模型的选择，模型微调中参数调优、数据质量与混合比例的调优、减少遗忘的策略设计，甚至模型结构的创新改造设计等手段综合起来，才可以达到。
MobileStyleGAN:一种用于高保真图像合成的轻量级卷积神经网络
qq_50465499的博客
08-28 632
MobileStyleGAN:一种用于高保真图像合成的轻量级卷积神经网络
均值漂移算法原理及Python实践
u013571432的博客
08-25 1363
均值漂移算法（Mean Shift Algorithm）是一种基于密度的非参数聚类算法，其原理主要基于核密度估计和梯度上升方法。
杭州城市开发者社区活动：《聚力AI，共创共荣》第二期线下AI论坛活动等你来！
最新发布
鄙人kunzhi96，感恩遇见！
08-28 968
由中也AI共荣社主办，COC杭州城市开发者社区等多家协办的《聚力AI，共创共荣》AI论坛活动来袭！ 活动围绕AI技术的创新应用，以及在实际应用落地的场景为主题展开，聚力AI，共同探讨。有机会与行业大咖进行面对面交流分享和学习交流，有料有趣的探索之旅，你值得拥有。
Phenaki——文本描述生成动画或视频，动态视频序列。
m0_75253143的博客
08-26 1033
Phenaki是一个先进的视频生成系统，能够根据输入的文本描述生成连续且符合语义的视频内容。Phenaki 的核心在于将文本描述转化为视频的过程，通过一系列深度学习技术实现高质量、流畅的视频生成。Phenaki 将文本描述转化为视频的过程通过多种先进的深度学习技术实现，包括扩散模型、GAN、VAE 和 Transformer 等。它能够生成高质量、时间连续且逻辑合理的视频，适用于广告、教育和社交媒体等领域。
2024年国内版AI写作对话工具推荐
m0_68431045的博客
08-24 1480
聊天机器人、写作助手、图像生成、阅读总结、翻译，功能全面，而且还能建各种有趣的智能体，想体验DAN的，在豆包上能找到类似的智能体噢。通义千问 生产力工具，连智能体都是为打工而生的，实时语音转文字，大会多位发言人速记、文献阅读、搜索、对话，啥都能干。联网搜索、图片识别、文档识别都可以，搜索能力还不错，后面百小应可能是要往医疗助手方向走 推荐指数⭐⭐⭐。元宝 腾讯旗下后来居上的AI应用，可以生成图片、信息搜索、对话，文档总结，也可以玩智能体推荐指数⭐⭐⭐。以下排名随意编排，无先后。
探秘Facebook的人工智能战略：如何用智能技术重塑社交网络
2301_78954254的博客
08-27 766
人工智能（AI）正以前所未有的速度渗透到各个领域，社交网络也不例外。作为全球最大的社交平台之一，Facebook（现Meta）正利用人工智能技术重塑其网络环境，提升用户体验。本文将深入探讨Facebook的人工智能战略，揭示它如何通过智能技术引领社交网络的未来。
数据取证：OSForensics，新时代的数字化调查取证工具
sanyuan7783的博客
08-23 797
天津鸿萌科贸发展有限公司是 OSForensics 数据调查取证软件的授权代理商。OSForensics 数据调查取证软件协助用户通过高性能文件搜索和索引快速从计算机中提取数据调查证据；通过哈希匹配、驱动器签名比较、电子邮件、内存和二进制数据识别可疑文件和活动；管理您的数字调查并根据收集的取证数据创建报告。文章内容：一、全面的取证调查工具二、识别可疑文件和活动三、管理您的数字调查。
TPM limma R语言差异基因分析
05-01
TPM（Transcripts Per Million）是一种基于转录本的表达量单位，可以用来比较不同样本中基因表达的差异。而LIMMA（Linear Models for Microarray Data）则是一种在R语言中进行差异基因分析的工具包，它可以用来分析各种类型的基因表达数据，包括RNA-seq和microarray数据。 下面是进行TPM limma R语言差异基因分析的步骤： 1. 读取RNA-seq数据并计算TPM值 使用R语言中的一些包（如DESeq2、edgeR等）可以对RNA-seq数据进行预处理，包括去除低质量的reads、去除rRNA等，并对基因表达进行归一化。使用这些包，可以计算每个基因的TPM值。 2. 进行差异表达分析 使用LIMMA包，可以进行差异表达分析。具体来说，可以使用LIMMA包中的Voom函数将RNA-seq数据转换为可用于线性模型的形式，然后使用LIMMA包中的lmFit和eBayes函数来估计每个基因的表达水平的差异，并计算每个基因的显著性水平。 3. 进行功能注释和通路分析 一旦确定了差异表达的基因，可以使用一些工具（如DAVID、Enrichr等）进行功能注释和通路分析，以确定这些基因是否参与特定的生物学过程或通路。 需要注意的是，这只是TPM limma R语言差异基因分析的大致步骤，具体的处理流程还需要根据具体的实验设计和研究问题进行调整。
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