Category Archives: 未分类

六 25

RNA-Seq数据的内含子保留分析

Posted on by

前面我们的明码标价之普通转录组上游分析，受到了各大热心粉丝的吐槽，觉得太简单了我们居然还好意思收费。后面我就就加上了稍微有一点难度的《可变剪切》，不过仍然是阻挡不了粉丝无穷无尽的需求，后台有人发给我一个RNA-Seq数据的内含子保留分析需求。

我看了看粉丝发过来的文章，发表于 January 2021, 在CELL杂志的文章《Spliceosome-targeted therapies trigger an antiviral immune response in triple-negative breast cancer》，链接是：https://doi.org/10.1016/j.cell.2020.12.031

这个文章数据比较多：

SUM159 SD6 RNA-Seq #GSE163414
LM2 SD6 RNA-Seq #GSE163411
SUM159 Cytoplasmic RNA-Seq #GSE163232
SUM159 J2 dsRIPseq #GSE163188
Syngeneic model RNA-Seq #GSE163181

可以看到，主要是RNA-Seq数据啦，有两个是普通的细胞系处理前后的表达量差异情况探索，所以出图如下：

表达量差异情况探索标准图表

这个已经是超级简单了， 我们的明码标价之转录组常规测序服务（仅需799每个样品） 和 明码标价之普通转录组上游分析 就是对这样的 RNA-Seq拿到了表达量矩阵，然后下游分析也是平淡无奇，仅收费800，代码呢，我也多次分享了，基本上看我六年前的表达芯片的公共数据库挖掘系列推文即可；

这样的分析流程基本上绝大部分粉丝已经是无需委托我们啦，所以粉丝发给我的是 RNA-Seq数据的内含子保留分析需求，步骤如下：

  • Hisat2-aligned reads were filtered for proper-paired reads (-f 2 flag in SAMtools).
  • Intron annotations were parsed from UCSC RefSeq gene annotation files and were filtered to exclude features that overlap genomic loci on the same strand.
  • Reads mapping to introns were counted using Pysam.
  • For each intron feature, we defined the following two read classes:
    • (1) ‘‘intronic’’ reads mapping at least 6 bases contiguously within the intron
    • (2) ‘‘spanning’’ reads with ends mapping to the flanking exons.
  • The intron retention (IR) score was then computed as the ratio of the RPKM-normalized ‘‘intronic’’ read density over the RPKM-normalized ‘‘spanning’’ read den- sity.
  • In order to compare commonly expressed IR events across samples, introns with < 10 spanning RPKM in any sample were excluded from all analyses.

对我们有ngs组学数据分析经验的人来说，其实并不难，无非就是安装几个软件，使用几个包。但对于没有学过编程的纯生物学研究者来说基本上不可能完成，也没有这样的网页工具。

但是呢，这个流程又确实是过于个性化，哪怕对我们来说很简单，也其实是耗费时间和精力需要研发调试的。

首先你需要有RNA-seq的fastq文件

如果是TCGA数据库，步骤如下：

  • Intron retention analysis was performed on BRCA TCGA RNA sequencing datasets (Koboldt et al., 2012).
  • TCGA fastq reads were mapped using the STAR aligner (v2.3.1) (Dobin et al., 2013) onto the hg19/GRCh37 reference genome as previously described (Hsu et al., 2015).
  • Level of intron retention (IR level) within each sample was calculated as the number of introns with IR scores > 0.01, as defined previously.
  • ‘‘High’’ and ‘‘Low’’ IR were defined as having an IR level outside one standard deviation of the mean.
  • RSEM normalized gene expression data from TCGA was obtained from the Broad GDAC Firehose.

一般来说，大家是很难下载TCGA数据库原始fastq文件，这个权限审核比较严厉，不过咱们数据挖掘呢完全没有毕业一直盯着TCGA数据库啊，自己领域的普通RNA-seq肯定也是不少。如果是认真搞科研，你一定会自行调研和阅读文献，找到合适的数据集。

数据挖掘的核心就是通过分类把基因数量搞少

部分粉丝看到这里，可能无法理解RNA-Seq数据的内含子保留分析的意义是什么？

其实就是多了一个维度的指标，来把你的样本分类，分类后就可以找差异。同样的我们可以看这个示例文章，感觉每个样品的IR指标，把病人分成IR高低两个组别，然后走普通的ssGSEA分析，生存分析。

image-20210320093952534

这一套组合拳，大家是不是很眼熟啊？

如果你也想做自己的的RNA-Seq数据的内含子保留分析，赶快联系我们吧，同样的，我们的分析仍然是明码标价，单个RNA-Seq数据的内含子保留分析收费仅需800元，因为是纯粹的基于Linux平台的各种软件脚本，所以提供你全套数据和脚本但是无法保证你能运行成功，因为你不一定有自己的服务器。

​
六 25

去broad官网下载msigdb数据库文件很麻烦

Posted on by

我在：借鉴escape包的一些可视化GSVA或者ssGSEA结果矩阵的方法 和 对单细胞表达矩阵做gsea分析的两个教程里面提到过，MSigDB（Molecular Signatures Database）数据库中定义了已知的基因集合：http://software.broadinstitute.org/gsea/msigdb 需要注册才能下载。

但是这个GitHub包，ncborcherding/escape文档，在：http://www.bioconductor.org/packages/release/bioc/vignettes/escape/inst/doc/vignette.html 提供了一个封装好的MSigDB数据库信息，其实你仔细看它的文档，它的打包其实是依赖于msigdbr_7.2.1。

获取 MigDB中的全部基因集

MigDB中的全部基因集 都被这个GitHub包，ncborcherding/escape 打包起来了，MSigDB（Molecular Signatures Database）数据库中定义了已知的基因集合：http://software.broadinstitute.org/gsea/msigdb 包括H和C1-C7八个系列（Collection），每个系列分别是：

  • H: hallmark gene sets （癌症）特征基因集合，共50组，最常用；
  • C1: positional gene sets 位置基因集合，根据染色体位置，共326个，用的很少；
  • C2: curated gene sets：（专家）校验基因集合，基于通路、文献等：
  • C3: motif gene sets：模式基因集合，主要包括microRNA和转录因子靶基因两部分
  • C4: computational gene sets：计算基因集合，通过挖掘癌症相关芯片数据定义的基因集合；
  • C5: GO gene sets：Gene Ontology 基因本体论，包括BP（生物学过程biological process，细胞原件cellular component和分子功能molecular function三部分）
  • C6: oncogenic signatures：癌症特征基因集合，大部分来源于NCBI GEO 发表芯片数据
  • C7: immunologic signatures: 免疫相关基因集合。
GS <- getGeneSets(library = "H")
GS

MigDB中的全部基因集 被 构建成为： a list of GSEABase GeneSet objects ，获取 hallmark gene sets （癌症）特征基因集合。

源头是msigdbr 包

安装方法非常简单：

install.packages("msigdbr")

但是这个msigdbr并没有我想象中的那么大：

Installing package into ‘C:/Users/win10/Documents/R/win-library/4.0’
(as ‘lib’ is unspecified)
试开URL’https://cran.rstudio.com/bin/windows/contrib/4.0/msigdbr_7.2.1.zip'
Content type 'application/zip' length 6737651 bytes (6.4 MB)
downloaded 6.4 MB

package ‘msigdbr’ successfully unpacked and MD5 sums checked

同样的，学习R包，看看文档即可，在： https://cran.r-project.org/web/packages/msigdbr/vignettes/msigdbr-intro.html

Documentation for package ‘msigdbr’ version 7.2.1
DESCRIPTION file.
User guides, package vignettes and other documentation.
Help Pages
msigdbr Retrieve the gene sets data frame
msigdbr_collections List the collections available in the msigdbr package
msigdbr_show_species List the species available in the msigdbr package
msigdbr_species List the species available in the msigdbr package

非常简单的文档

这些代码使用就明白了，确实没啥好继续讲解的：

library(msigdbr)
# All gene sets in the database can be retrieved without specifying a collection/category. 
all_gene_sets = msigdbr(species = "Mus musculus")
head(all_gene_sets)
msigdbr_species()
all_gene_sets = msigdbr(species = "Homo sapiens")

无非就是封装和对象，前面的 escape 包提供了getGeneSets函数，我们的这个msigdbr提供了 msigdbr函数。

生信基石之R语言

B站的10个小时教学视频务必看完，参考 GitHub 仓库存放的相关学习路线指导资料：https://github.com/jmzeng1314/R_bilibili ，可以参考一些优秀笔记，比如https://mubu.com/doc/2KUiSCfVsg

文末友情推荐

​
六 25

单细胞转录组下游分析是否有必要删除线粒体和核糖体基因

Posted on by

如果你看了我的单细胞转录组数据分析的 基础10讲：