y <- DGEList(counts=x) group <- c(1,1,2,2) y <- DGEList(counts=x, group=group) 第二步：基因筛选
对于在大多数样本中表达数量都很少的基因，需要进行过滤，这一步可以根据自己定义的标准过滤，edgeR推荐使用该包的CPM（ count-per-million ）值进行过滤，命令：
keep <- rowSums(cpm(y)>1) >= 2#至少在两个样本里cpm大于1 y <- y[keep, , keep.lib.sizes=FALSE] 第三步：标准化
edgeR的标准化思想主要针对的是不同样本在建库时效应。这一点与RPKM不同，因为edgeR认为不同的基因对于所有样本的影响是相同的，所以不必考虑。因此为了消除这种建库时的效应，edgeR会更推荐你使用他的calcNormFactors函数，算出来的值叫做trimmed mean of M-values (TMM) ，命令为：
y <- calcNormFactors(y) y$samples 第四步：聚类与热图
在表达量分析中经常会遇到根据基因表达量来对基因进行聚类分析的过程，edgeR建议使用logcpm这个指标来进行聚类和画热图，命令是：
logcpm <- cpm(y, prior.count=2, log=TRUE) 第五步：差异表达分析
edgeR的差异表达分析有两种方式，简单的一种是直接进行配对检验，命令是：
et <- exactTest(y, pair=c("A","B"))#检验A、B样本的差异表达基因 topTags(et) 另一种算法比较复杂，其思想是：首先表达值需要服从某个分布，然后与这个分布不相符的基因才是差异表达基因。具体做法如下：
design <- model.matrix(~Subject+Treat)#设计一个实验设计矩阵 fit <- glmFit(y, design)#构建一个基因表达值得广义线性模型 lrt <- glmLRT(fit)#通过似然比检验得到最后的结果 版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请联系我们举报，一经查实，本站将立刻删除。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/201679.html原文链接：https://javaforall.net
