Nanostring的表达矩阵分析也是大同小异

Posted on by

最近课题组的文献分享会议上有一篇文章里面的生存分析和差异分析吸引了我的注意，所以分开介绍一下，并给出了学徒任务，希望大家可以自行抽空完成。文章发表于July 25, 2019 的JCI杂志，标题是 STING activation reprograms tumor vasculatures and synergizes with VEGFR2 blockade

临床样品的特色是：通常是FFPE样本，在保存过程中往往造成RNA的断裂，不论是qPCR还是RNA-seq都难以进行精准的定量，这个时候Nanostring 仪器就是为了解决这些问题而诞生的。所以它在医院的流行程度很高，而我们要介绍的这篇文章就来自于医院科研人员，所以选择Nanostring就很容易理解啦。

Nanostring是介于传统的芯片技术和现在的RNA-seq技术之间的一个选择，有点类似于靶向转录组，传统的qPCR实验操作步骤多且繁复，不适合高通量的基因表达实验设计， 而新一代RNA-seq价格昂贵并且需要耗费大量生物信息分析资源，难以在短时间内读取有效数据。NanoString技术原理是基于核酸分子与探针杂交后，对探针上的荧光分子条形码进行直接测量。每个条形码标记对应某一特异mRNA序列，在同一样本中最高可以测量800个条形码，而所需的样本量可以低至100ng RNA。

而且，基于杂交原理，NanoString的数字化定量技术无需转录，扩增或者文库构建，一方面省去了冗长的实验程序和人力资源，另一方面最大程度地降低了由于酶促反应带来的潜在偏差。对于样本量稀少的临床样本，NanoString技术可以不经过RNA提取，直接在FFPE样本，细胞裂解液乃至全血中直接对RNA进行定量，进一步降低由于提取过程可能带来的潜在偏差。

Nanostring的表达矩阵分析结果描述

如下，可以看到，表达矩阵分析以及结果解读与常规的转录组测序数据类似，都是描述哪些基因上调或者下调。

image-20191212091954112

其实就是拿到表达矩阵后走标准分析流程，火山图，热图，GO/KEGG数据库注释等等。这些流程的视频教程都在B站和GitHub了，目录如下：

  • 第一讲：GEO，表达芯片与R
  • 第二讲：从GEO下载数据得到表达量矩阵
  • 第三讲：对表达量矩阵用GSEA软件做分析
  • 第四讲：根据分组信息做差异分析
  • 第五讲：对差异基因结果做GO/KEGG超几何分布检验富集分析
  • 第六讲：指定基因分组boxplot指定基因list画热图

仅仅是最后得到的差异分子，并不是以前的mRNA后面的基因名，而是miRNA，lncRNA，甚至circRNA的ID，看起来很陌生罢了。感兴趣可以细读表达芯片的公共数据库挖掘系列推文 ；

那么我们继续看看该文章对Nanostring的表达矩阵分析结果的可视化吧！

Nanostring的表达矩阵分析结果可视化

首先，研究者别出心裁的把这个火山图旋转了90度，但并不会改变其本质啦！

image-20191212092022521

我们的作业就是重复出来这个热图！表达矩阵作者上传到了GEO数据库。

仍然是使用R语言

研究者公布了数据：https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE134129

所以，大家可以很方便的下载后自行处理，完成我们的学徒任务，就是绘制上面的火山图！

image-20191212092100754

样本是；

GSM3937676 LLC_control_1
GSM3937677 LLC_control_2
GSM3937678 LLC_control_3
GSM3937679 LLC_control_4
GSM3937680 LLC_control_5
GSM3937681 LLC_control_6
GSM3937682 LLC_control_7
GSM3937683 LLC_control_8
GSM3937684 LLC_control_9
GSM3937685 LLC_STING_1
GSM3937686 LLC_STING_2
GSM3937687 LLC_STING_3
GSM3937688 LLC_STING_4
GSM3937689 LLC_STING_5
GSM3937690 LLC_STING_6
GSM3937691 LLC_STING_7
GSM3937692 LLC_STING_8
GSM3937693 LLC_STING KO_1
GSM3937694 LLC_STING KO_2
GSM3937695 LLC_STING KO_3
GSM3937696 LLC_STING KO_4

可以看到是很明显的3个组，表达矩阵也是可以下载的！

image-20191212092220479

下载后如下所示：

image-20191212092306469

其实作者给出的差异分析结果，如下：

image-20191212092330764

不过我还是希望你可以自行读取作者给出的表达矩阵，自己做差异分析，然后跟作者的结果进行比较。

​

Comments are closed.