sleuth基于TPM值sleuth進行的差異分析是怎樣的

這期內容當中小編將會給大家帶來有關sleuth基于TPM值sleuth進行的差異分析是怎樣的，文章內容豐富且以專業的角度為大家分析和敘述，閱讀完這篇文章希望大家可以有所收獲。

kallisto等alignment-free轉錄本定量軟件，會給出TPM值的定量結果。基于這種類型的結果進行差異分析時，有兩種策略可以選擇。

第一種是采用tximportR包，將結果導入到DESeq2種進行分析；第二種是直接采用sleuthR包進行差異分析。本章主要介紹sleuth的使用。

這個包的源代碼存放在github上，鏈接如下

https://github.com/pachterlab/sleuth

github上的R包其安裝方式比較特殊, 具體過程如下

source("http://bioconductor.org/biocLite.R")
biocLite("rhdf5")
library(devtools)
install_github("pachterlab/sleuth")

首先從Bioconductor上安裝依賴的rhdf5包，因為kallisto的定量結果為HDF5格式，這個R包用來讀取數據，然后采用devtools這個R包，自動從github的源代碼進行安裝。

所有差異分析需要的都是定量結果和樣本分組這兩個基本元素，只不過不同的R包要求的格式不同。在sleuth中，將這兩種信息存儲在一個三列的數據框中，示例如下

> s2c
    samples   group              paths
1 control-1 control kallisto/control-1
2 control-2 control kallisto/control-2
3 control-3 control kallisto/control-3
4    case-1    case    kallisto/case-1
5    case-2    case    kallisto/case-2
6    case-3    case    kallisto/case-3

第一列為樣本名稱，第二列為樣本對應的分組信息，第三列為每個樣本kallisto定量結果的文件夾。通過這樣的一個數據框，就包含了差異分析所需的所有信息。

假定有6個樣本，分成control,case 兩組， 每組3個生物學重復，可以通過以下代碼構建上述的數據框

samples = c(
"control-1",
"control-2",
"control-3",
"case-1",
"case-2",
"case-3")

s2c <- data.frame(
samples = samples,
group   = rep(c("control", "case"), each = 3),
paths   = paste("kallisto", samples, sep = "/")
)

上述代碼要求將所有樣本的定量結果放在同一個文件夾下，目錄結構如下

kallisto/
├── control-1
├── control-2
├── control-3
├── case-1
├── case-2
└── case-3

上述數據框準備好之后，就可以讀取數據進行差異分析了，完整的代碼如下

library(sleuth)
so <- sleuth_prep(s2c, extra_bootstrap_summary = TRUE)
so <- sleuth_fit(so, ~condition, 'full')
so <- sleuth_fit(so, ~1, 'reduced')
so <- sleuth_lrt(so, 'reduced', 'full')
sleuth_table <- sleuth_results(so, 'reduced:full', 'lrt', show_all = FALSE)

上述就是小編為大家分享的sleuth基于TPM值sleuth進行的差異分析是怎樣的了，如果剛好有類似的疑惑，不妨參照上述分析進行理解。如果想知道更多相關知識，歡迎關注億速云行業資訊頻道。