Martyna Muszczek 2024-03-05
- Zagadnienia
- Materiały pomocnicze
- Uwagi wstępne
- Przebieg ćwiczenia
- Przygotowanie środowiska
- Załadowanie bibliotek
- *Ustawienie globalnego motywu wykresów
- I. Przygotowanie danych pod
analizę
- Załadowanie danych z MaxQuanta - ‘proteinGroups.txt’
- Selekcja kolumn istotnych dla dalszej analizy
- Podstawienie ‘NA’ zamiast ‘0’
- Sprawdzenie sum NA w każdej kolumnie
- Filtrowanie rzędów z niekompletnymi obserwacjami
- Sprawdzenie, czy kolumna ‘ID’ może służyć za indeks
- Konwertowanie kolumny ‘ID’ do indeksu
- Zmiana nazw kolumn
- Transformacja danych liczbowych
- II.
Eksploracja danych
- Sprawdzenie normalizacji między próbami i grupami eksperymentalnymi (rozkład danych)
- Globalna heatmapa
- profile ekspresji białek
- III. Analiza ekspresji różnicowej białek
-
import danych z ‘proteinGroups.txt’ (MaxQuant)
-
porządkowanie danych
-
usuwanie niekompletnych obserwacji
-
przygotowanie macierzy liczbowej pod analizę
-
eksploracja rozkładu danych, normalizacja
-
klastrowanie i korelacja prób eksperymentalnych
-
analiza ekspresji różnicowej białek (differential expression analysis):
-
statystyka: parowany test t Studenta, fold change, multiple testing correction
-
analiza funkcyjna białek o zmienionej ekspresji: Gene Ontology Over-Representation Analysis (ORA)
-
wizualizacja: volcano plot, goplot, barplot
-
-
zastosowanie pakietów ggplot2, pheatmap, i enrichplot w wizualizacji
-
ggplot2-cheatsheet.pdf
-
base-r-cheatsheet.pdf
W trakcie ćwiczeń w celu objaśnienia używanych funkcji można skorzystać z wbudowanego w RStudio Helpera - w konsoli wpisz “?nazwaFunkcji()” lub “??nazwaFunkcji()”, jeśli jest to funkcja z poza podstawowych pakietów R. Jest to wygodny sposób na podejrzenie używanych argumentów.
By zapisać wykres, najłatwiej jest w panelu “Plots” kliknąć “Export”, “Save as image”, następnie dostosować wielkość wykresu przeciągając prawym dolnym rogiem, nadać nazwę i wybrać folder zapisu.
Jeśli nie jesteś pewien jakiego elementu wykresu użyć, lub jak go użyć. Zajrzyj do pliku “ggplot2_cheatsheet.pdf”.
-
Skopiuj pliki z danymi do nowego folderu.
-
Uruchom RStudio i stwórz nowy projekt. Stwórz podfoldery “data” i inne, np. “scripts”, “figures” itp. Do folderu “data” skopiuj pliki z danymi - proteinGroups.txt i statistics.txt - a do folderu “scripts” plik install_packages.R.
-
Poprzez RStudio otwórz skopiowany plik skryptowy R i uruchom go - trwa instalacja pakietów potrzebnych do ćwiczeń.
-
Po udanej instalacji stwórz nowy, pusty plik R i kontynuuj.
Na ten moment, użyj funkcji library(), by załadować tylko
pakiet ‘tidyverse’.
library(tidyverse)## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.4 ✔ readr 2.1.5
## ✔ forcats 1.0.0 ✔ stringr 1.5.1
## ✔ ggplot2 3.4.4 ✔ tibble 3.2.1
## ✔ lubridate 1.9.3 ✔ tidyr 1.3.1
## ✔ purrr 1.0.2
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
theme_set(theme_bw()+theme(legend.position = "top"))- Załaduj dane z pliku proteinGroups.txt funkcją
read.table(). Wyświetl wczytaną tabelę i przyjrzyj się jej. Czy została ona wczytana poprawnie? Szczególnie zwróć uwagę na interpretację punktu dziesiętnego. - Czy typy kolumn zostały poprawnie przypisane? Użyj funkcji
str(), by zobaczyć strukturę data.frame’u. - Usuń rzędy danych, które zawierają informacje o białkach
zawierających odwrócone sekwencje lub mogą być potencjalnymi
zanieczyszczeniami - kolumny ‘Reverse’ i ‘Potential.contaminant’ -
funkcją
filter(). Sprawdź, jak zmieniła się liczba rzędów - funkcjanrow().
df <-read.table("data/proteinGroups.txt", sep = "\t", header = TRUE, quote = "",
comment.char = "") %>% select(!contains(c("2h", "4h")))
nrow(df)## [1] 4467
df <- filter(df, Reverse != "+" & Potential.contaminant != "+")
nrow(df)## [1] 4334
Na tym etapie możemy podzielić dane na dwie części. Jedna będzie służyła do zachowania informacji biologicznych, jak np. zmapowanie białek do ich Uniprot ID, pełna nazwa białka, nazwa genu itp. Czasem, tak jak w naszym przypadku, nie jest możliwa konwersja tych informacji poprzez funkcje pakietów, dlatego chcemy je zachować, by posłużyły one później za etykiety czytelne dla człowieka. Druga część posłuży do zbudowania matrycy intensywności białek, którą będziemy poddawać analizie.
- Użyj funkcji
colnames(), by zapoznać się z kolumnami.
colnames(df)- Następnie określ i wyselekcjonuj kolumny zawierające informacje o
zmapowaniu białek do nowej zmiennej. Do obecnego lub nowego
data.frame’u wyselekcjonuj tylko kolumnę ‘Protein.IDs’ i kolumny
zawierające wyrażenie ‘LFQ.intensity’. Użyj funkcji
select(), a wewnątrz niejcontains()z szukanymi wyrażeniami. Sprawdź, czy selekcja była udana - kolumn powinno być razem 9.
prot_info <- select(df, contains(c("Protein.", "protein.", "Gene")))
df <- select(df, contains(c("Protein.IDs", "LFQ.intensity"), ignore.case = FALSE))
colnames(df)## [1] "Protein.IDs" "LFQ.intensity.RPN4_0h_1"
## [3] "LFQ.intensity.RPN4_0h_2" "LFQ.intensity.RPN4_0h_3"
## [5] "LFQ.intensity.RPN4_0h_4" "LFQ.intensity.wt_0h_1"
## [7] "LFQ.intensity.wt_0h_2" "LFQ.intensity.wt_0h_3"
## [9] "LFQ.intensity.wt_0h_4"
W tabeli znajdują się zera. W spektrometrii mas jak i w ogóle data science, jeśli pomiar jest równy 0, nie oznacza to wcale, że dane białko/cecha nie znajduje się w próbce. Dlatego należy skonwertować 0 na ‘NA’ - ‘not assigned’ - inaczej określa się taką wartość ‘missing value’. Temat ‘missing values’ w spektrometrii mas jest obszerny, lecz w praktyce albo się je pomija przy dalszej analizie, albo imputuje - przypisuje wartość, np. z rozkładu normalnego, pod warunkiem, że nie stanowią one dużej części danych.
- Zamień ‘0’ na ‘NA’ i potwierdź zamianę.
df[df == 0] <- NA
head(df)## # A tibble: 6 × 9
## Protein.IDs LFQ.intensity.RPN4_0h_1 LFQ.intensity.RPN4_0h_2
## <chr> <dbl> <dbl>
## 1 Q3E7Y4;A0A023PXF5 NA NA
## 2 A0A023PXH9 NA NA
## 3 A5Z2X5 918550000 876050000
## 4 D6VTK4 178840000 143970000
## 5 D6W196 13385000 19517000
## 6 O13297 332550000 258360000
## # ℹ 6 more variables: LFQ.intensity.RPN4_0h_3 <dbl>,
## # LFQ.intensity.RPN4_0h_4 <dbl>, LFQ.intensity.wt_0h_1 <dbl>,
## # LFQ.intensity.wt_0h_2 <dbl>, LFQ.intensity.wt_0h_3 <dbl>,
## # LFQ.intensity.wt_0h_4 <dbl>
-
Następnie sprawdź, ile w każdej kolumnie znajduje się ‘missing values’.
*Dodając ‘!’ przed
is.na()możemy policzyć, ile białek zostało zidentyfikowanych w każdej próbce.
colSums(is.na(df))## Protein.IDs LFQ.intensity.RPN4_0h_1 LFQ.intensity.RPN4_0h_2
## 0 607 513
## LFQ.intensity.RPN4_0h_3 LFQ.intensity.RPN4_0h_4 LFQ.intensity.wt_0h_1
## 572 531 715
## LFQ.intensity.wt_0h_2 LFQ.intensity.wt_0h_3 LFQ.intensity.wt_0h_4
## 705 672 674
- Usuń rzędy, które w którejkolwiek kolumnie zawierają ‘missing
values’ - ‘NA’. Użyj
drop_na(). Potwierdź zmianę.
df <- drop_na(df)
nrow(df)## [1] 3134
Bardzo ułatwi nam pracę, jeśli każde białko będziemy wyszukiwać po ich nazwie, a nie automatycznym numerze w indeksie. Żeby symbol białka mógł stać się indeksem, trzeba sprawdzić, czy żaden symbol się nie powtarza - tj. czy kolumna ‘Protein.IDs’ zawiera tylko unikalne, niezduplikowane wartości.
-
Użyj funkcji
duplicated()wewnątrz funkcjiany(), by sprawdzić, czy którakolwiek wartość w kolumnie ‘Protein.IDs’ jest zduplikowana.*Analogicznie możemy sprawdzić, czy wszystkie wartości są unikalne.
any(duplicated(df$Protein.IDs))## [1] FALSE
all(!duplicated(df$Protein.IDs))## [1] TRUE
- Jeśli nie ma zduplikowanych wartości, zamień kolumnę na indeks -
column_to_rownames(). Potwierdź zmianę.
df <- column_to_rownames(df, "Protein.IDs")
head(df)## # A tibble: 6 × 8
## LFQ.intensity.RPN4_0h_1 LFQ.intensity.RPN4_0h_2 LFQ.intensity.RPN4_0h_3
## <dbl> <dbl> <dbl>
## 1 918550000 876050000 787760000
## 2 178840000 143970000 112940000
## 3 13385000 19517000 20219000
## 4 332550000 258360000 351480000
## 5 69829000 75441000 88134000
## 6 174340000 119900000 145970000
## # ℹ 5 more variables: LFQ.intensity.RPN4_0h_4 <dbl>,
## # LFQ.intensity.wt_0h_1 <dbl>, LFQ.intensity.wt_0h_2 <dbl>,
## # LFQ.intensity.wt_0h_3 <dbl>, LFQ.intensity.wt_0h_4 <dbl>
- Nazwy kolumn, czyli de facto nazw prób, są za długie. Skróć
colnames(df)o wyrażenie “LFQ.intensity” używającstr_replace_all(). Potwierdź zmianę.
colnames(df) <- colnames(df) |> str_replace_all(pattern = "LFQ.intensity.", replacement = "")
colnames(df)## [1] "RPN4_0h_1" "RPN4_0h_2" "RPN4_0h_3" "RPN4_0h_4" "wt_0h_1" "wt_0h_2"
## [7] "wt_0h_3" "wt_0h_4"
- Zauważ, że intensywności mają szeroki zakres liczbowy. Możemy podejrzeć rozkład danych poprzez histogram.
df %>%
pivot_longer(cols=1:8,
names_to = "Sample",
values_to = "Log2.Intensity") %>%
ggplot(aes(x=Log2.Intensity))+
geom_histogram()+
facet_wrap(~Sample)## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
- Typowo dane proteomiczne zawierają dużo białek o niższej ekspresji, a mało o wyższej. Dlatego, by poddać je m.in. testom statystycznym, należy je zeskalować, przetransformować - np. poprzez logarytmizację o podstawie 2 lub 10. Jeszcze raz sprawdź rozkład danych.
df <- mutate(df, log2(df))
df %>%
pivot_longer(cols=1:8,
names_to = "Sample",
values_to = "Log2.Intensity") %>%
ggplot(aes(x=Log2.Intensity))+
geom_histogram()+
facet_wrap(~Sample)## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
- Dane są gotowe do analizy. Wpierw sprawdź rozkład danych i ich kwantyle pomiędzy próbami. Dobrym sposobem jest tradycyjny ‘box plot’, ale jeszcze lepszym ‘violin plot’ z ‘box plotem’. Określ, czy dane z różnych prób są znormalizowane - tj. mają podobny rozkład danych.
df %>%
pivot_longer(cols=1:8,
names_to = "Sample",
values_to = "Log2.Intensity") %>%
ggplot(aes(x=Sample,y=Log2.Intensity))+
geom_violin(trim = FALSE)+
geom_boxplot(width=0.1)
- To samo możemy sprawdzić poprzez ‘density plot’. Dobrą praktyką jest wizualizacja danych na różne sposoby, by ocenić je jakościowo.
df %>%
pivot_longer(cols=1:8,
names_to = "Sample",
values_to = "Log2.Intensity") %>%
ggplot(aes(x=Log2.Intensity, color=Sample))+
geom_density()
Stwórz heatmapę, by odkryć profile ekspresji próbek i jak one wpływają na klastrowanie się w grupy eksperymentalne. Globalna heatmapa (wszystkie zidentyfikowane białka) może dostarczyć informacji, czy istnieją duże zmiany wpływające na podobieństwo grup. W praktyce heatmapy używane są w publikacjach do wizualizacji zmiany ekspresji interesujących, konkretnych grup białek.
- Załaduj bibliotekę ‘pheatmap’ i użyj funkcji
pheatmap(). Ponieważ interesują nas zmiany w ekspresji białek pod wpływem zmiennej niezależnej (tutaj knock-out genu RPN4), czyli między próbami, należy ustawić argumentscale = “row”.
library(pheatmap)
pheatmap(df,
scale = "row",
show_rownames = FALSE, # nieczytelne przy globalnej hm
treeheight_row = 0, # j.w.
main = "Simple heatmap")
- Stwórz adnotację kolumn heatmapy, żeby lepiej uwidocznić
klastrowanie się w grupy eksperymentalne. Należy stworzyć nowy
data.frame z jedną kolumną typu ‘factor’ zawierającą wartości z
nazwą grupy eksperymentalnej, powtórzoną tyle razy, ile należy do
niej prób. Następnie jako
rownames()należy przypisać nazwy prób (są one zawarte w kolumnach ‘df’). Potwierdź poprawną adnotację wyświetlając stworzony data.frame, a następnie podstaw go pod argumentpheatmap(…, annotation_col = …). Czy biorąc pod uwagę globalne profile ekspresji, próby klastrują się w swoje grupy?
annot_col <- data.frame(Condition = as.factor(
c(rep("RPN4_KO", 4), rep("WT", 4))),
row.names = colnames(df))
pheatmap(df,
scale = "row",
annotation_col = annot_col,
show_rownames = FALSE,
treeheight_row = 0,
main = "Heatmap with column annotation")
-
Jeśli nie odpowiadają nam automatyczne kolory adnotacji, możemy je zmienić argumentem
pheatmap(…, annotation_colors = …). W tym celu należy stworzyć nowy obiekt - listę z nazwanym wektorem - zawierającym wartości nowych kolorów. Następnie, za pomocąnames()należy przypisać każdej wartości nazwę grupy eksperymentalnej.*Jeśli chcemy mieć więcej adnotacji kolumn, należy do data.frame’u dodać nową kolumnę z nową adnotacją, a do istniejącej listy dodać nowy nazwany wektor i analogicznie zmapować wartości kolorów do grup adnotacyjnych.
annot_colors <- list(Condition = c("red", "blue"))
names(annot_colors$Condition) <- levels(annot_col$Condition)
pheatmap(df,
scale = "row",
annotation_col = annot_col,
annotation_colors = annot_colors,
show_rownames = FALSE,
treeheight_row = 0,
main = "Heatmap with column annotation")
Analogicznie tworzy się adnotacje rzędów heatmapy - np. wg. wspólnych cech białek, ich funkcji, czy po prostu po ich profilu ekspresji.
- Można też podstawić kolory z gotowych palet, np. pakietu
“RColorBrewer”. Wyświetł palety przez
display.brewer.all(). Podstaw za wartościbrewer.pal(liczba.kolorów, nazwa.palety).
library(RColorBrewer)
annot_colors <- list(Condition = brewer.pal(2, "Dark2")) # nr of picked colors, name of palette## Warning in brewer.pal(2, "Dark2"): minimal value for n is 3, returning requested palette with 3 different levels
names(annot_colors$Condition) <- levels(annot_col$Condition)
pheatmap(df,
scale = "row",
annotation_col = annot_col,
annotation_colors = annot_colors,
show_rownames = FALSE,
treeheight_row = 0,
main = "Heatmap with column annotation")
Po upewnieniu się, że mamy znormalizowane dane, można przystąpić do analizy różnicowej ekspresji białek (differential expression analysis - DEA). Można ją przeprowadzić poprzez samodzielne kodowanie od zera, albo poprzez wiele dedykowanych do tego celu narzędzi, np. pakiety limma, MSstats, DESeq2 itp. Większość tych narzędzi została zaprojektowana z myślą o analizie danych pochodzących z sekwencjonowania lub mikromacierzy, ale mogą być również użyte do danych proteomicznych. W skrócie, analiza DEA opiera się na teście istotności pomiędzy średnimi ekspresji dwóch - t-test studenta - lub wielu grup eksperymentalnych - ANOVA - dla każdego białka.
W tym ćwiczeniu skupimy się na znalezieniu i wizualizacji wyników DEA. Nie zważając na to, które narzędzie wybraliśmy, na końcu wyniki zawsze zawierają przynajmniej 3 kolumny: log2 fold change, p-value testu istotności i adjusted p-value/q-value/fdr z korekty dla wielokrotnego testowania.
Plik ‘statistics.txt’ zawiera wyniki analizy DEA danych, na których do tej pory pracowaliśmy.
- Wczytaj plik ‘statistics.txt’ funkcją
read.delim()wybierając odpowiedni separator. Sprawdź poprawność importu.
deps <- read.delim("data/statistics.txt", sep = "\t")
head(deps)## # A tibble: 6 × 7
## ID logFC AveExpr t P.Value adj.P.Val B
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 P22202 5.45 30.0 8.00 0.0000424 0.000714 2.32
## 2 P32590 4.48 28.7 20.6 0.0000000304 0.0000119 9.84
## 3 P33327 4.45 27.1 11.2 0.00000345 0.000150 5.01
## 4 P11986 3.96 29.4 12.8 0.00000128 0.0000910 6.06
## 5 Q03148 3.91 27.4 18.3 0.0000000779 0.0000168 8.92
## 6 P22943 3.73 31.9 16.1 0.000000206 0.0000340 7.94
‘Volcano plot’ jest powszechną metodą wizualizacji wyników DEA po t-teście studenta. Na osi x przedstawiane są wartości log2 fold change (krotność zmiany). a na osi y adjusted p-value/FDR/q-value.
- By stworzyć podstawowy wykres typu ‘volcano plot’, użyj warstwy
geom_point().
ggplot(deps, aes(x=logFC, y=adj.P.Val))+
geom_point()
- Jak widać, jest wiele punktów o Q-value bliskim 0 (istotność < 0.05). Żeby lepiej zwizualizować dane, musimy przeskalować/transformować wartości przez logarytmizację o podstawie 10 i zmienić ich kierunek.
ggplot(deps, aes(x=logFC, y=-(log10(adj.P.Val))))+
geom_point()
- Dodajmy punkty odcięcia dla obu zmiennych dodając warstwy
geom_hline(), geom_vline(). Statystyczną istotność (oś y) przyjmujemy jak powszechnie - < 0.05. Odcięcie dla log2 fold change jest mocno umowne i zazwyczaj ustawia się go pod wielkość ogólnych zmian - minimum i maksimum log2 FC. Przyjmijmy -0.5 i 0.5 za odcięcie log2 FC.
Uwaga: Poziom istotności dla q-value to 0.05, ale po transformacji jest to około 1.3.
ggplot(deps, aes(x=logFC, y=-(log10(adj.P.Val))))+
geom_point()+
geom_hline(yintercept = 1.3, lty = 2)+ # q-value treshold - horizontal line
geom_vline(xintercept = c(0.5, -0.5), lty = 2) # logFC cutoff - vertical line
- Pokolorujmy białka według ich istotności w zmianie ekspresji. Na
początek, trzeba dodać nową pustą kolumnę do tabeli z wynikami DEA.
Następnie dodać wartość do kolumny na podstawie wartości w kolumnach
‘logFC’ i ‘adj.P.Val’. W ten sposób skategoryzujemy białka jako
“Up-” (pozytywny FC) albo “Down-regulated” (negatywny FC) lub “Not
significant” (nieistotny). Użyj
case_when()
deps$Expression <- NA
deps$Expression <- case_when(
deps$logFC <= -0.5 & deps$adj.P.Val <= 0.05 ~"Down-regulated",
deps$logFC >= 0.5 & deps$adj.P.Val <= 0.05 ~"Up-regulated",
.default = "Not significant")
tail(deps)## # A tibble: 6 × 8
## ID logFC AveExpr t P.Value adj.P.Val B Expression
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <chr>
## 1 P53899 -1.58 26.5 -7.90 0.0000463 0.000745 2.22 Down-regulated
## 2 P40018 -1.64 29.1 -2.11 0.0679 0.132 -5.50 Not significant
## 3 P03872 -1.97 26.6 -5.79 0.000402 0.00292 -0.113 Down-regulated
## 4 P43558 -2.51 26.5 -6.13 0.000274 0.00230 0.301 Down-regulated
## 5 P11972 -2.98 27.3 -8.26 0.0000335 0.000633 2.57 Down-regulated
## 6 P38737 -3.14 27.7 -6.56 0.000172 0.00172 0.806 Down-regulated
- Następnie, by zmapować nazwy istotnych białek do punktów na
wykresie, stwórz kolejną kolumnę, która będzie zawierała ID, ale
tylko przy białkach “Up-regulated” i “Down-regulated”, reszta rzędów
pozostanie pusta. Użyj
if_else()
deps$Label <- NA # empty vector
deps$Label <- if_else(deps$Expression %in% c("Up-regulated", "Down-regulated"), deps$ID, NA)
tail(deps)## # A tibble: 6 × 9
## ID logFC AveExpr t P.Value adj.P.Val B Expression Label
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <chr> <chr>
## 1 P53899 -1.58 26.5 -7.90 0.0000463 0.000745 2.22 Down-regulated P53899
## 2 P40018 -1.64 29.1 -2.11 0.0679 0.132 -5.50 Not significant <NA>
## 3 P03872 -1.97 26.6 -5.79 0.000402 0.00292 -0.113 Down-regulated P03872
## 4 P43558 -2.51 26.5 -6.13 0.000274 0.00230 0.301 Down-regulated P43558
## 5 P11972 -2.98 27.3 -8.26 0.0000335 0.000633 2.57 Down-regulated P11972
## 6 P38737 -3.14 27.7 -6.56 0.000172 0.00172 0.806 Down-regulated P38737
- Użyj nowych kolumn i zmapuj je do argumentów
aes(label = …, color = …). Dodaj jeszcze warstwęgeom_text().
v <- ggplot(deps, aes(x=logFC,
y=-(log10(adj.P.Val)),
label = Label,
color = Expression))+
geom_point(alpha = 0.2)+
geom_hline(yintercept = 1.3, lty = 2)+ # q-value treshold
geom_vline(xintercept = c(0.5, -0.5), lty = 2)+ # logFC cutoff
geom_text(check_overlap = TRUE) # ensure labels won't overlap
v## Warning: Removed 2614 rows containing missing values (`geom_text()`).
- Teraz dodajmy wybrane przez nas kolory - funkcja/warstwa
scale_color_manual().
v <- v+
scale_color_manual(values=c("Down-regulated" = "blue",
"Not significant" = "grey",
"Up-regulated" = "red"))
v## Warning: Removed 2614 rows containing missing values (`geom_text()`).
- Podszlifujmy elementy wykresu - zmieńmy nazwy osi, tytuł i podtytuł
wykresu, adnotację - funkcja/warstwa
labs().
v <- v+
labs(title = "Differential expression",
subtitle = "RPN4 knock out",
x = "Log2 FC (RPN4 KO/WT)",
y = "-log10 Q-value",
caption = "This is a caption")
v## Warning: Removed 2614 rows containing missing values (`geom_text()`).
- Jeśli tworzymy wykresy tego samego typu, porównując ze sobą różne
dane, dobrą praktyką jest ustawienie tej samej skali osi, co ułatwia
porównanie - funkcja/warstwa
scale_x_continuous(), scale_y_continuous().
v+
scale_x_continuous(limits = c(-6, 6))+
scale_y_continuous(limits = c(0, 7))## Warning: Removed 2614 rows containing missing values (`geom_text()`).
- By zmienić rozmiar czcionki elementów, zmodyfikuj np.
theme(text=…, axis.title.x=…, axis.title.y=…).
v+
theme(text = element_text(size = 15), # change all text elements size
axis.title.x = element_text(size = 20), # change x axis title size
axis.title.y = element_text(size = 5)) # change y axis title size## Warning: Removed 2614 rows containing missing values (`geom_text()`).
Można modyfikować każdy element osobno, zobacz dokumentację poprzez
?ggplot2::theme().
Mając listę białek o istotnie zmienionej ekspresji (DEP - differentially expressed proteins), kolejnym krokiem może być analiza funkcyjna, która dostarczy odpowiedzi nt. tego, jakie biologiczne lub molekularne procesy i szlaki metaboliczne uległy zmianie pod wpływem zmiennej niezależnej.
Używa się w tym celu baz np. Gene Ontology (z podziałem na Biological Process, Molecular Function i Cellular Compartment), KEGG pathways, Reactome itp.
Uwaga: W przypadku małej liczby białek o zmienionej ekspresji może nie być możliwa analiza statystyczna typu “over-representation analysis” lub “gene set enrichment analysis” - FDR > 0.05. W takim razie należy posłużyć się tylko adnotacją funkcjonalną białek.
Przeprowadźmy Over-Representation Analysis (ORA) w oparciu o gene ontology, przy użyciu pakietu clusterProfiler i enrichplot do wizualizacji wyników.
- Załaduj biblioteki. ‘org.Sc.sgd.db’ to baza danych adnotacji genomu S. cerevisiae.
library(clusterProfiler)
library(org.Sc.sgd.db)
library(enrichplot)- Utwórz zmienne zawierające ID białek o podwyższonej i obniżonej ekspresji z obiektu ‘df’. Utwórz również zmienną ‘ref’ zawierającą wszystkie ID zidentyfikowanych białek - będzie stanowić tło dla obliczanej statystyki wzbogacenia danego term’u.
upreg <- filter(deps, Expression == "Up-regulated")$ID
downreg <- filter(deps, Expression == "Down-regulated")$ID
ref <- deps$ID- Za pomocą funkcji
enrichGOprzeprowadź GO ORA dla Biological process najpierw dla up-regulated proteins, a potem dla down-regulated. Wyświetlającgo_bp_up@resultmożesz zobaczyć wyniki analizy.
go_bp_up <- enrichGO(gene = upreg, # wektor białek poddawanych ORA
universe = ref, # tło statystyczne
ont = "BP", # która ontologia
OrgDb = org.Sc.sgd.db, # baza danych danego organizmu
pAdjustMethod = "BH", # korekta dla wielokrotnego testowania
keyType = "UNIPROT") # jaki typ ID jest wprowadzany
go_bp_up@result %>% head()## # A tibble: 6 × 9
## ID Description GeneRatio BgRatio pvalue p.adjust qvalue geneID Count
## <chr> <chr> <chr> <chr> <dbl> <dbl> <dbl> <chr> <int>
## 1 GO:00420… protein re… 15/290 24/3039 2.08e-10 2.01e-7 1.83e-7 P2220… 15
## 2 GO:00059… carbohydra… 36/290 129/30… 8.45e-10 4.08e-7 3.72e-7 P5307… 36
## 3 GO:00064… 'de novo' … 13/290 22/3039 9.51e- 9 3.06e-6 2.79e-6 P2220… 13
## 4 GO:00090… aerobic re… 21/290 62/3039 9.11e- 8 1.70e-5 1.55e-5 Q0434… 21
## 5 GO:00510… 'de novo' … 10/290 15/3039 1.05e- 7 1.70e-5 1.55e-5 P2220… 10
## 6 GO:00510… chaperone … 10/290 15/3039 1.05e- 7 1.70e-5 1.55e-5 P2220… 10
- Cechą charakterystyczną tego typu analiz, jest to, że otrzymuje się
długą listę term’ów, które często są blisko ze sobą spokrewnione.
clusterProfiler posiada funkcję do usunięcia
powtarzalnych/identycznych term’ów na podstawie semantyki. Użyj
funkcji
simplifyna utworzonym obiekcie i porównaj ilość rzędów tabeli z wynikami.
go_bp_up_sim <- clusterProfiler::simplify(go_bp_up)
nrow(go_bp_up@result)## [1] 967
nrow(go_bp_up_sim@result)## [1] 31
- By zwizualizować najbardziej istotne statystycznie wyniki, użyj
funkcji
barplot(), lubgoplot().
barplot(go_bp_up_sim)
goplot(go_bp_up_sim)## Warning: ggrepel: 26 unlabeled data points (too many overlaps). Consider
## increasing max.overlaps
- Na podstawie wyników określ, jakie zmiany prawdopodobnie zaszły pod wpływem knock-out’u genu RPN4 w drożdżach?
sessionInfo()## R version 4.3.2 (2023-10-31 ucrt)
## Platform: x86_64-w64-mingw32/x64 (64-bit)
## Running under: Windows 10 x64 (build 19045)
##
## Matrix products: default
##
##
## locale:
## [1] LC_COLLATE=Polish_Poland.utf8 LC_CTYPE=Polish_Poland.utf8
## [3] LC_MONETARY=Polish_Poland.utf8 LC_NUMERIC=C
## [5] LC_TIME=Polish_Poland.utf8
##
## time zone: Europe/Warsaw
## tzcode source: internal
##
## attached base packages:
## [1] stats4 stats graphics grDevices utils datasets methods
## [8] base
##
## other attached packages:
## [1] enrichplot_1.22.0 org.Sc.sgd.db_3.18.0
## [3] AnnotationDbi_1.64.1 IRanges_2.36.0
## [5] S4Vectors_0.40.2 Biobase_2.62.0
## [7] BiocGenerics_0.48.1 clusterProfiler_4.11.0.001
## [9] RColorBrewer_1.1-3 pheatmap_1.0.12
## [11] lubridate_1.9.3 forcats_1.0.0
## [13] stringr_1.5.1 dplyr_1.1.4
## [15] purrr_1.0.2 readr_2.1.5
## [17] tidyr_1.3.1 tibble_3.2.1
## [19] ggplot2_3.4.4 tidyverse_2.0.0
##
## loaded via a namespace (and not attached):
## [1] DBI_1.2.2 bitops_1.0-7 gson_0.1.0
## [4] shadowtext_0.1.3 gridExtra_2.3 rlang_1.1.3
## [7] magrittr_2.0.3 DOSE_3.28.2 compiler_4.3.2
## [10] RSQLite_2.3.5 png_0.1-8 vctrs_0.6.5
## [13] reshape2_1.4.4 pkgconfig_2.0.3 crayon_1.5.2
## [16] fastmap_1.1.1 XVector_0.42.0 labeling_0.4.3
## [19] ggraph_2.1.0 utf8_1.2.4 HDO.db_0.99.1
## [22] rmarkdown_2.25 tzdb_0.4.0 bit_4.0.5
## [25] xfun_0.42 zlibbioc_1.48.0 cachem_1.0.8
## [28] aplot_0.2.2 jsonlite_1.8.8 GenomeInfoDb_1.38.6
## [31] blob_1.2.4 highr_0.10 BiocParallel_1.36.0
## [34] tweenr_2.0.2 parallel_4.3.2 R6_2.5.1
## [37] stringi_1.8.3 GOSemSim_2.28.1 Rcpp_1.0.12
## [40] knitr_1.45 Matrix_1.6-5 splines_4.3.2
## [43] igraph_2.0.2 timechange_0.3.0 tidyselect_1.2.0
## [46] qvalue_2.34.0 rstudioapi_0.15.0 yaml_2.3.8
## [49] viridis_0.6.5 codetools_0.2-19 lattice_0.22-5
## [52] plyr_1.8.9 treeio_1.26.0 withr_3.0.0
## [55] KEGGREST_1.42.0 evaluate_0.23 gridGraphics_0.5-1
## [58] scatterpie_0.2.1 polyclip_1.10-6 Biostrings_2.70.2
## [61] ggtree_3.10.0 pillar_1.9.0 ggfun_0.1.4
## [64] generics_0.1.3 RCurl_1.98-1.14 hms_1.1.3
## [67] tidytree_0.4.6 munsell_0.5.0 scales_1.3.0
## [70] glue_1.7.0 lazyeval_0.2.2 tools_4.3.2
## [73] data.table_1.15.0 fgsea_1.28.0 fs_1.6.3
## [76] graphlayouts_1.1.0 fastmatch_1.1-4 tidygraph_1.3.1
## [79] cowplot_1.1.3 grid_4.3.2 ape_5.7-1
## [82] colorspace_2.1-0 nlme_3.1-164 patchwork_1.2.0
## [85] GenomeInfoDbData_1.2.11 ggforce_0.4.2 cli_3.6.2
## [88] fansi_1.0.6 viridisLite_0.4.2 gtable_0.3.4
## [91] yulab.utils_0.1.4 digest_0.6.34 ggplotify_0.1.2
## [94] ggrepel_0.9.5 farver_2.1.1 memoise_2.0.1
## [97] htmltools_0.5.7 lifecycle_1.0.4 httr_1.4.7
## [100] GO.db_3.18.0 bit64_4.0.5 MASS_7.3-60.0.1