第一
我得到的數(shù)據(jù)是nrpm值,，處理的方法如下,?？紤]了管家基因后的normalization,。然后limma做差異分析。
我的問題：能不能使用原始read counts數(shù)據(jù)用DEseq2做normalization,？（DEseq2做normilization時需要使用為整數(shù)的read counts,，不然會報錯）
回答：DEseq2做normalization時沒有考慮到管家基因,，所以不建議用此方法
第二
我自己在給我的數(shù)據(jù)nrpm上直接做了PCA圖：nrpm數(shù)據(jù)格式和PCA圖如下:
由于數(shù)據(jù)差異較大,，PCA圖不是特別好看,，所以建議可以Zscore或者logratio再次進(jìn)行歸一化。代碼參考https://www.jianshu.com/p/57f62efa0fab
b<- scale(expr)a<- log(expr+1)########zscore就是scale
第三
需要研究一下MCPcount是需要read counts還是可以用normalization的值
但是Xcell寫的很明確,，read counts或者normalization的值都可以,，因為它只做ranking
MCPcounter方法學(xué)原文中使用TCGA數(shù)據(jù)庫驗證時，使用了normalized results,。所以解釋了我的疑問,。
查考文章：Estimating the population abundance of tissue-infiltrating immune and stromal cell populations using gene expression
MCP counter和cibersort最大的區(qū)別就是cibersort是計算淋巴細(xì)胞的比例，二MCPcounter是一個決定計數(shù)方法,。
第四
我自己的數(shù)據(jù)表明
Primary tumor
Metastasis lesion
參考文章Estimating the population abundance of tissue-infiltrating immune and stromal cell populations using gene expression
此文章對Lung Adenocarcinoma的數(shù)據(jù)進(jìn)行了分析發(fā)現(xiàn),，將患者分成四組Blinegae 和Tcell 高表達(dá)的患者預(yù)后最好，我們的數(shù)據(jù)有一樣的發(fā)現(xiàn)??！奠定了這一篇文章的基礎(chǔ)。
后續(xù)我也會將分組信息變成四組進(jìn)行分析
第五
MCPcounter進(jìn)行TCGA數(shù)據(jù)挖掘的方法
只需要構(gòu)建一個表達(dá)矩陣：colname是sample_name,，rownames是基因symbol或者另外兩個ID（不記得了）featuresType=c('HUGO_symbols')其實有三種可選
代碼如下
library(curl)library(MCPcounter)??MCPcounter.estimateload(file = 'TCGA.Rdata')exprMatrix[1:10,1:10]####################ensemble整潔版ID####library(clusterProfiler)library(org.Hs.eg.db)ls('package:org.Hs.eg.db')g2s=toTable(org.Hs.egSYMBOL);head(g2s)g2e=toTable(org.Hs.egENSEMBL);head(g2e)tmp=merge(g2e,g2s,by='gene_id')head(tmp)colnames(exprMatrix)[ncol(exprMatrix)] <- c('ensembl_id')###################重命名Ensemble_ID 便于后面mergeexprMatrix<- merge(tmp,exprMatrix,by='ensembl_id')exprMatrix<- exprMatrix[,- c(1,2)]exprMatrix=exprMatrix[!duplicated(exprMatrix$symbol),]row.names(exprMatrix)<- exprMatrix[,1]exprMatrix<- exprMatrix[,-1]probesets=read.table(curl('http://raw./ebecht/MCPcounter/master/Signatures/probesets.txt'),sep='\t',stringsAsFactors=FALSE,colClasses='character')genes=read.table(curl('http://raw./ebecht/MCPcounter/master/Signatures/genes.txt'),sep='\t',stringsAsFactors=FALSE,header=TRUE,colClasses='character',check.names=FALSE)results<- MCPcounter.estimate(exprMatrix,featuresType=c('HUGO_symbols')[1], probesets=probesets, genes=genes)
第五
修改生存曲線圖例legend 參考資料：
http://www./english/wiki/survminer-r-package-survival-data-analysis-and-visualization
待續(xù),。。,。。,。
