Python从零开始第五章生物信息学①提取差异基因

目前来说，做生物信息学的人越来越多，但是我觉得目前而言做生信的主要有三类人：

• 1. 老本行是做实验的，做生信可能是为了辅助研究或者是为了发paper（有非常多的临床生选择趟生信这波水）
• 2. 主要是做生信的，主要涵盖高通量测序数据分析，组学数据分析等等，专门从事生物学数据分析的这群人，其大部分也是本科生物狗作为强大的生力军，以调包写R，python为主。那么这群人就要熟悉看各种包的tutorial以及如何进行常规的数据的处理和分析等等。那么其实这群人，我个人认为对python的编程要求不是很高，在coursera先上两门课程，然后照着参考书在项目中练练就熟络了。
• 3. 也是做生信的，但是主要以写包为主，什么意思？就是以开发算法供给第二类人用，做这部分工作的人需要具有良好的数理基础，所以一般大部分都是本科属于物理，数学等理工科的人在做这部分工作。当然对编程也提出较高要求。

我入门生物信息学是通过R语言入门的，但是接触到了python，这个也是目前用户数量数一数二的语言。python去做生信得优点是①过程更加直观，因为常见的R包功能一般已经封装好了，直接应用就可，虽然足够简单友好，但是不利于长期学习②基因组数据一般比较大，python速度一般比R快。

下面我就记录一个通过python做生信分析的流程。

使用的数据集是GSE5583，来自于2006年的基因芯片结果，该芯片目的是提取野生型和HDAC1小鼠胚胎干细胞用于Affymetrix微阵列上的差异RNA。

• 导入包

%clear
%reset -f
# In[*]
import seaborn as sns
import matplotlib.pyplot as plt
%matplotlib inline
import os
import numpy as np
import pandas as pd
os.chdir('D:\\train')
from scipy import stats

• 导入数据

# In[*]
data = pd.read_table("http://ahmedmoustafa.io/notebooks/GSE5583.txt",
                     header = 0,
                     index_col = 0)
data.head()
Out[27]: 
           WT.GSM130365  WT.GSM130366      ...       KO.GSM130369  KO.GSM130370
100001_at          11.5           5.6      ...               36.0          42.0
100002_at          20.5          32.4      ...               14.4          22.9
100003_at          72.4          89.0      ...              130.1          86.7
100004_at         261.0         226.2      ...              447.3         288.1
100005_at        1086.2        1555.6      ...             1365.9        1436.2

每一行是一个基因，每一列是一个样本，这也是比较经典的芯片数据集

• 查看数据维度

# In[*]
# Check the dimension of the loaded data (rows & columns)
data.shape
(12488, 6)
# In[*]
# Number of rows
number_of_genes = len(data.index)
print(number_of_genes)\
12488

总共12488个基因，6个样本。

• 标准化

这一步是标准化，使用的是常见的log2（）标准化

# In[*]
data2 = np.log2(data+0.0001)
data2.head()
Out[30]: 
           WT.GSM130365  WT.GSM130366      ...       KO.GSM130369  KO.GSM130370
100001_at      3.523575      2.485453      ...           5.169929      5.392321
100002_at      4.357559      5.017926      ...           3.848007      4.517282
100003_at      6.177920      6.475735      ...           7.023478      6.437962
100004_at      8.027907      7.821456      ...           8.805099      8.170426
100005_at     10.085074     10.603256      ...          10.415636     10.488041

• 绘制盒须图

# In[*]
# Boxplot of each microarray
plt.show(data2.plot(kind = 'box', title = 'GSE5583 Boxplot', rot = 90))

这一步目的是查看不同样本之间是否有总体差异。

# Density
plt.show(data2.plot(kind = 'density', title = 'GSE5583 Density'))

可以看出样本之间没有总体差异，可以做差异分析。

# In[*]
# The mean of expression of the wt samples for each gene (row)
wt = data2.loc[:, 'WT.GSM130365' : 'WT.GSM130367'].mean(axis = 1)
wt.head()

# In[*]
# The mean of expression of the ko samples for each gene (row)
ko = data2.loc[:,'KO.GSM130368':'KO.GSM130370'].mean(axis = 1)
ko.head()

• 查看基因差异的差异倍数fold分布

# In[*]
fold = ko - wt


# Histogram of the fold-change
plt.hist(fold)
plt.title("Histogram of fold-change")
plt.show()

• 查看基因差异的P值分布

from scipy import stats

pvalue = []
for i in range(0, number_of_genes):
    ttest = stats.ttest_ind(data2.ix[i,0:3], data2.ix[i,3:6])
    pvalue.append(ttest[1])

# Histogram of the p-values
plt.hist(-np.log(pvalue))
plt.title("Histogram of p-value")
plt.show()