R

相比于网页工具，使用编程语言处理科研数据的一大优势，在于高度的定制化，以及批量处理数据的快捷性和高效性

目录
批量处理——for循环批量计算组间差异
批量处理——apply批量计算组间差异
批量处理——for循环画图
批量处理——for循环迁移文件

对于批量处理数据的方法，之前使用for循环和apply语句进行处理过，但是不够系统，学习果子生信课程后有一个清晰的认识，写下来，一是可以调用方便，二是自己写过之后，才能算是完全掌握。当然一切以解决问题为主，不陷于技术深究。

批量计算基因和基因之间的相关性，也是一项很好的应用。

场景

计算RNA-seq得到的基因与DDR1基因相关系数，并挑选出显著相关基因（p < 0.05）

数据准备

得到的数据是TCGA结直肠癌的数据

为上图的清洁数据

for循环计算

首先要明确单次操作的情况

cor_data <- data.frame()

yourgene <- 'DDR1'

genelist <-  setdiff(colnames(COAD_data),c("sample","TCGA_id","type","subtype",yourgene))


dd <- cor.test(COAD_data[,yourgene], COAD_data[,genelist[1]], method = 'spearman')
dd$statistic
dd$p.value
cor_data[genelist[1],1] = dd$statistic
cor_data[genelist[1],2] = dd$p.value
colnames(cor_data) = c('statistic', 'p.value')

批量处理时，针对for循环就是提前做好一个容器，然后把变量替换成一般表达

cor_data <- data.frame()

yourgene <- 'DDR1'

genelist <-  setdiff(colnames(COAD_data),c("sample","TCGA_id","type","subtype",yourgene))

system.time(
  for (gene in genelist) {
  dd <- cor.test(COAD_data[,yourgene], COAD_data[,gene], method = 'spearman')
  statistic = dd$statistic
  p.value = dd$p.value
  cor_data[gene,1] = statistic
  cor_data[gene,2] = p.value 
}
)
# 用户  系统  流逝 
# 34.62  0.66 36.62 

colnames(cor_data) = c('statistic', 'p.value')

lapply计算

yourgene <- 'DDR1'
genelist <-  setdiff(colnames(COAD_data),c("sample","TCGA_id","type","subtype",yourgene))

# 写一个函数
mycor <- function(x){
  dd = cor.test(COAD_data[,yourgene], COAD_data[,x], method = 'spearman')
  data.frame(gene1 = yourgene, gene2 = x, R = dd$estimate, p.value = dd$p.value)
}

# 测试一下
mycor(genelist[1])

# 批量
lapplylist <- lapply(genelist, mycor)

# do.call
cor_data <- do.call(rbind, lapplylist)

# 整理成一个函数
cor_data <- do.call(rbind, lapply(genelist, function(x){
  dd = cor.test(COAD_data[,yourgene], COAD_data[,x], method = 'spearman')
  data.frame(gene1 = yourgene, gene2 = x, R = dd$estimate, p.value = dd$p.value)
}))

再测试一下时间

system.time(
  cor_data <- do.call(rbind, lapply(genelist, function(x){
    dd = cor.test(COAD_data[,yourgene], COAD_data[,x], method = 'spearman')
    data.frame(gene1 = yourgene, gene2 = x, R = dd$estimate, p.value = dd$p.value)
  }))
)

# 用户  系统  流逝 
# 31.29  0.25 32.15 

结果

两种计算方法的得到结果是一致的

关于筛选和排序

那就只是filter函数和arrange函数的操作，可参阅R for Data Science（笔记） ---数据变换（filter使用） ，R for Data Science（笔记） ---数据变换（行排序）操作。

后记：本篇是写了如何批量求与某一个基因的基因的相关系数。后续设计两个基因在不同肿瘤的相关性。