DESeq2分析

一文掌握R包DESeq2的差异基因分析过程 - 简书

library("TCGAbiolinks")
library("stringr")
library("DESeq2")

DESeq2包分析需两个矩阵：

1 count矩阵（必须为matrix）

行为Sample id

2 group矩阵（matrix或dataframe）

有Sample和Group的对应关系，顺序不重要；

Group列变量类型为factor；

 一、读入数据

dataFilt=read.csv(file = "Results/测序or临床数据下载/dataFilt.csv", header=T, row.names=1,check.names=FALSE)
dataFilt=as.matrix(dataFilt)
colnames(dataFilt)=str_sub(colnames(dataFilt),1,12) #取病人编号，即前12位

gene_gleason=read.csv(file = "Results/不同gleason评分的SMC4表达/gene_gleason.csv", header=T, row.names=1,check.names=FALSE)
gene_gleason=gene_gleason[,-2]
colnames(gene_gleason)[2]='Group'

 View(dataFilt)

View(gene_gleason)

 二、确定分组

t_index=order(gene_gleason$Group,decreasing = T) 
gene_gleason=gene_gleason[t_index,] #调整Sample顺序,使gleason评分降序排列
rownames(gene_gleason)=c(1:nrow(gene_gleason)) #行名从1开始

gene_gleason$Group[1:197]='high_gleason'
gene_gleason$Group[198:nrow(gene_gleason)]='low_gleason' #制定分组
design=gene_gleason

design$Group=as.factor(design$Group) #character转factor

 View(design) 

三、DESeq2分析

上述的dataFilt、design即为构建好的count矩阵、group矩阵

1 dds、dds1、res三步走

dds <- DESeqDataSetFromMatrix(countData = dataFilt, colData = design, design= ~Group) #countData需要一个count matrix，colData需要一个有分组信息的dataframe，design需要指定分组信息中的列
dds1 <- DESeq(dds,fitType = 'mean')
res <- results(dds1, contrast = c('Group', 'high_gleason', 'low_gleason')) #Group对应上面的“design= ~Group”，且high_gleason在前，low_gleason在后

2 输出结果

result <- data.frame(res, stringsAsFactors = FALSE, check.names = FALSE)

View(result)

后面就可以进行下游分析了！