From 459415077a714f59028ca680ffc9861a276950e7 Mon Sep 17 00:00:00 2001 From: ixxmu Date: Tue, 29 Aug 2023 01:19:58 +0000 Subject: [PATCH] =?UTF-8?q?RNAseq=EF=BD=9ConcoPredict=20=E8=8D=AF=E7=89=A9?= =?UTF-8?q?=E5=8F=8D=E5=BA=94=E9=A2=84=E6=B5=8B=EF=BC=8C+=E5=9F=BA?= =?UTF-8?q?=E5=9B=A0=EF=BC=8C+=E5=88=86=E5=9E=8B=EF=BC=8C+=E6=A8=A1?= =?UTF-8?q?=E5=9E=8B=20=E7=9A=84=E8=81=94=E5=90=88=E5=8F=AF=E8=A7=86?= =?UTF-8?q?=E5=8C=96?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit --- ...20\210\345\217\257\350\247\206\345\214\226.md" | 15 +++++++++++++++ 1 file changed, 15 insertions(+) create mode 100644 "docs/2023-08/RNAseq_oncoPredict_\350\215\257\347\211\251\345\217\215\345\272\224\351\242\204\346\265\213__\345\237\272\345\233\240__\345\210\206\345\236\213__\346\250\241\345\236\213_\347\232\204\350\201\224\345\220\210\345\217\257\350\247\206\345\214\226.md" diff --git "a/docs/2023-08/RNAseq_oncoPredict_\350\215\257\347\211\251\345\217\215\345\272\224\351\242\204\346\265\213__\345\237\272\345\233\240__\345\210\206\345\236\213__\346\250\241\345\236\213_\347\232\204\350\201\224\345\220\210\345\217\257\350\247\206\345\214\226.md" "b/docs/2023-08/RNAseq_oncoPredict_\350\215\257\347\211\251\345\217\215\345\272\224\351\242\204\346\265\213__\345\237\272\345\233\240__\345\210\206\345\236\213__\346\250\241\345\236\213_\347\232\204\350\201\224\345\220\210\345\217\257\350\247\206\345\214\226.md" new file mode 100644 index 00000000..5b43a299 --- /dev/null +++ "b/docs/2023-08/RNAseq_oncoPredict_\350\215\257\347\211\251\345\217\215\345\272\224\351\242\204\346\265\213__\345\237\272\345\233\240__\345\210\206\345\236\213__\346\250\241\345\236\213_\347\232\204\350\201\224\345\220\210\345\217\257\350\247\206\345\214\226.md" @@ -0,0 +1,15 @@ +--- +title: "RNAseq｜oncoPredict 药物反应预测，+基因，+分型，+模型 的联合可视化" +date: 2023-08-29T01:19:05Z +draft: ["false"] +tags: [ + "fetched", + "生信补给站" +] +categories: ["Acdemic"] +--- +RNAseq｜oncoPredict 药物反应预测，+基因，+分型，+模型 的联合可视化 by 生信补给站 +------ +

oncoPredict 是一款用来预测药物反应的R包，背景知识有很多介绍的了，这里介绍下真实的使用场景 以及 后续联合基因表达，分子分型 或者 预后模型等的联合。

一 载入数据，R包 


1，安装R包

oncoPredict是CRAN中的包，直接install.packages安装，但是大概率会遇到缺少数据库相关R包的情况，根据提示安装即可。

install.packages("oncoPredict")
#BiocManager::install("GenomicFeatures")#BiocManager::install("TxDb.Hsapiens.UCSC.hg19.knownGene")
library(oncoPredict)

2，输入数据

oncoPredict需要3个输入数据：（1）训练集表达数据-GDSC2 expression data   （2）训练集药物反应数据-GDSC2 pType data  （3）待预测的表达数据-our expression data 。

oncoPredict包提供了两种当前经典的药物预测训练集-Cancer Therapeutics Response Portal (CTRP-V2) 和 Genomics of Drug Sensitivity in Cancer (GDSC-V2) 。可以直接使用R包oncoPredict整理好的这两个数据库的rdata文件，下载链接https://osf.io/c6tfx/files/osfstorage。

CTRP可能是测序方式，提供了 FPKM和TPM数据。GDSC应该是芯片，提供了  RMA Normalized and Log Transformed。

3，读取三个数据集

训练集使用GDSC-V2 ，预测集使用之前使用的SKCM的表达矩阵

## 药物训练集trainingExprData=readRDS(file='./DataFiles/Training Data/GDSC2_Expr (RMA Normalized and Log Transformed).rds')dim(trainingExprData) #trainingExprData[1:4,1:4]
#IMPORTANT note: here I do e^IC50 since the IC50s are actual ln values/log transformed already, and the calcPhenotype function Paul #has will do a power transformation (I assumed it would be better to not have both transformations)trainingPtype<-exp(trainingPtype)trainingPtype[1:4,1:4]
## 转录组数据 load("RNAseq.SKCM.RData")
fpkm[1:4,1:4]fpkm_in <- fpkm %>%  column_to_rownames("gene") %>%  as.matrix()
testExprData = fpkm_intestExprData[1:4,1:4]

trainingPtype是所有细胞系的不同药物的反应矩阵，trainingExprData是对应细胞系基因的表达矩阵，二者的样本名称是对应的。

testExprData是待预测的自己的基因表达矩阵数据，行名为基因，列为样本。

二 预测药物反应 


使用calcPhenoty函数进行预测。

1，配置参数

calcPhenotype的参数较多，没啥特殊需求建议使用默认的 ，参数解释相见官方脚步的参数说明：https://github.com/cran/oncoPredict/blob/master/R/CALCPHENOTYPE.R

batchCorrect<-"eb"powerTransformPhenotype<-TRUEremoveLowVaryingGenes<-0.2removeLowVaringGenesFrom<-"homogenizeData"minNumSamples=10selection<- 1printOutput=TRUEpcr=FALSEreport_pc=FALSEcc=FALSErsq=FALSEpercent=80

2，calcPhenotype计算

calcPhenotype的结果会默认输出在当前目录下的calcPhenotype_Output文件夹，结果输出为DrugPredictions.csv文件。

多次分析的话 注意覆盖原结果的问题。

calcPhenotype(trainingExprData=trainingExprData,              trainingPtype=trainingPtype,              testExprData=testExprData,              batchCorrect=batchCorrect,              powerTransformPhenotype=powerTransformPhenotype,              removeLowVaryingGenes=removeLowVaryingGenes,              minNumSamples=minNumSamples,              selection=selection,              printOutput=printOutput,              pcr=pcr,              removeLowVaringGenesFrom=removeLowVaringGenesFrom,              report_pc=report_pc,              cc=cc,              percent=percent,              rsq=rsq)
#读取结果resultPtype <- read.csv('./calcPhenotype_Output/DrugPredictions.csv', header = T ,stringsAsFactors = F ,check.names = F)resultPtype[1:4, 1:4]#                   Camptothecin_1003 Vinblastine_1004 Cisplatin_1005#1 TCGA-EE-A2GJ-06A       0.355799775       0.03555260       51.93174#2 TCGA-EE-A2GI-06A       0.009369448       0.02313505       11.29654#3 TCGA-WE-A8ZM-06A       0.083040399       0.04688820       76.53759#4 TCGA-DA-A1IA-06A       0.152475833       0.38765839       17.42450

如上就得到了每个样本的所有药物反应的结果。

三 基因+，分型+，预后+ 


既然得到的是每个样本的药物反应结果，当然就可以进行各种联合分析，这里分别以 目标基因 和 分子分型 进行示例。

1，重点基因表达量-相关性点图

重点基因可以来自于RNAseq|WGCNA-组学数据黏合剂，代码实战-一（尽）文（力）解决文献中常见的可视化图 找到的hub基因，RNAseq|Lasso构建预后模型，绘制风险评分的KM 和 ROC曲线构建的预后模型的基因，可以是单细胞scRNA分析|Marker gene 可视化 以及 细胞亚群注释--你是如何人工注释的？找到的celltype 差异基因，可以是RNAseq|免疫浸润也杀疯了，cibersoert？xCELL？ESTIMATE？你常用哪一个免疫浸润程度等等。

names(resultPtype)[1] <- "sample"#以两个基因为示例fpkm_gene_drug <- fpkm_in %>%  t() %>%  as.data.frame() %>%  dplyr::select(c("SPP1","TREM2")) %>%  rownames_to_column("sample") %>%  inner_join(resultPtype)fpkm_gene_drug[1:4,1:4]
library(ggstatsplot)ggscatterstats(  data = fpkm_gene_drug,  x = SPP1,  y = `BMS-754807_2171`,  xlab = "SPP1",  ylab = "BMS-754807_2171",  marginal = TRUE,  marginal.type = "densigram",  margins = "both",  xfill = "blue", # 分别设置颜色  yfill = "#009E73",  title = "Relationship between SPP1 and BMS-754807_2171",  messages = FALSE) #BMS-754807_2171

更多参数详见R|散点图+边际图（柱形图，小提琴图），颜值UP

2，聚类/预后模型-分组箱线图

分组性状可以来自于RNAseq|组学分型-ConsensusClusterPlus（一致性聚类）， NMF（非负矩阵分解）的一致性聚类结果，可以是RNAseq|Lasso构建预后模型，绘制风险评分的KM 和 ROC曲线的风险分组，可以是关心的分类性状。

以无监督聚类结果为例

km <- read.csv("resultstrain.k=2.consensusClass.csv",header = T,stringsAsFactors = F ,check.names = F)names(km) <- c("sample","cluster")
fpkm_km_drug <- km %>%  inner_join(resultPtype)fpkm_km_drug[1:4,1:4]
ggboxplot(fpkm_km_drug, x="cluster", y="Cisplatin_1005", width = 0.6,                color = "black",#轮廓颜色                fill="cluster",#填充                palette = "npg",                xlab = F, #不显示x轴的标签                bxp.errorbar=T,#显示误差条                bxp.errorbar.width=0.5, #误差条大小                size=1, #箱型图边线的粗细                legend = "right") #图例放右边 +

更多参数详见scRNA分析|自定义你的箱线图-统计检验，添加p值，分组比较p值

根据课题需要自行结合更多的分析方式。

◆ ◆ ◆  ◆ ◆

精心整理（含图PLUS版）|R语言生信分析，可视化（R统计，ggplot2绘图，生信图形可视化汇总）

RNAseq纯生信挖掘思路分享？不，主要是送你代码！（建议收藏）

+
+原文链接