相关性生信绘图生信

使用R语言统计多组、多蛋白的WB数据

2021-08-11  本文已影响0人  欧阳松

实验室经常使用WB验证蛋白表达水平,使用ImageJ算出个泳道的灰度值以后,需要做归一化和均一化处理,步骤如下:

  1. 首先计算目的蛋白/内参蛋白得到相对比,(有的人直接拿这个来统计,当然也可以,但是对照组就不是1)
  2. 拿各个相对比再除以各组的对照组的相对比,这样对照组就都是1了

这个功能可以很容易使用Excel or WPS实现,当然也可以直接进行T检验,但是发现如果所有值是1的话,是无法在excel上使用t检验函数的,当然最常见的统计软件是SPSS,最常用的作图工具是Graphpad Prism或Origin,不过定制性最高的我认为是R

比如有这样一个WB表格数据

sample A B C Actin
NC1 128061 362791 73876 595320
OE1 444296 685776 205065 595894
DR1 760531 1008761 336254 596468
NC2 206016 267960 126144 553840
OE2 454608 624546 251256 545392
DR2 703200 981132 376368 536944
NC3 215730 236808 118008 560008
OE3 441000 639600 255750 560505
DR3 666270 1042392 393492 561002

从excel里面复制以后,可以从excel直接粘贴数据 (Mac系统代码)

wb <- read.table(pipe("pbpaste"), # 读取剪切板中的数据
                      sep="\t", # 指定分隔符
                      header = TRUE)

如果是windows系统,那么代码就是:

 wb <- read.table(file = "clipboard", sep = "\t", header=TRUE) #

重点是如何用R进行计算,其实直接用excel计算最简单,这里纯粹就是炫技

  1. 首先是用目的蛋白÷内参蛋白(actin),我定义为x_r 
wb$A_r<-wb$A/wb$Actin
wb$B_r<-wb$B/wb$Actin
wb$C_r<-wb$C/wb$Actin
  1. 用x_r除以NC组的相对比,我将他定义为'x_n'.由于没有excel的$E$2这种实现固定的办法,因此我想办法曲折了一下,我的思路是先新增一列A_n,然后前3行除以A_r的第一行,中间三行除以A_r的第四行,后三行除以A_r的第七行,然后居然成功了,后面同法计算B和C蛋白的归一化值.
wb$A_n[1:3]=wb$A_r[1:3]/wb$A_r[1]
wb$A_n[4:6]=wb$A_r[4:6]/wb$A_r[4]
wb$A_n[7:9]=wb$A_r[7:9]/wb$A_r[7]
wb$B_n[1:3]=wb$B_r[1:3]/wb$B_r[1]
wb$B_n[4:6]=wb$B_r[4:6]/wb$B_r[4]
wb$B_n[7:9]=wb$B_r[7:9]/wb$B_r[7]
wb$C_n[1:3]=wb$C_r[1:3]/wb$C_r[1]
wb$C_n[4:6]=wb$C_r[4:6]/wb$C_r[4]
wb$C_n[7:9]=wb$C_r[7:9]/wb$C_r[7]

首先需要把短数据转换为长数据,把样本留下,添加一列蛋白和一列灰度值,分别命名为protein和value.

library(reshape2) 
wb_long<-melt(wb,
                id.vars = c('sample'),##需要保留的列,非数字格式
                measure.vars=c('A_n','B_n','C_n'),##需要保留的值,数字格式
                variable.name='Protein',##新定义个列并命名,非数字格式
                value.name='Value')##新定义一个列并命名,数字格式

新增一个分组,如果是单纯按NC、OE、和DR排序的话,完全可以用下面的代码

wb_long$Group=rep(c('NC', 'OE','DR'), each = 3)  ##分为3组，每组3个数据

但是这个数据是按NC1,OE1,DR1,NC2...这样排序,所以上面代码分组后是错的,最简单的办法是导出csv,然后Excel简单定义一下,其实也就是把数字去掉,加个Group的组就行,但是这部操作R我还没学会
有个shiny的DataEditR包可以交互式处理数据,但是又不能直接保存到Environment里,其实这种简单的处理,完全可以先excel处理好了以后再作图,毕竟excel号称除了不能生孩子...
当然如果你想用shiny,可以用DataEditR这个包,直接安装即可,但前提是要先安装好shiny

instal.packages("shiny")
instal.packages("DataEditR")
library(DataEditR)
data_edit(wb_long)

这样就可以像excel那样处理表格里,导出数据,然后再导入数据.

wb_long<-read.csv("/Users/mac/wb_long.csv")

需要固定一下分组的顺序,需要先设置为因子 

wb_long <- within(wb_long, Group <- factor(Group, levels = c("NC", "OE","DR")))

画图,这里联合ggplot2和ggpubr,其实ggpubr可以一步出图,但是底层限制死了,我们可以借助ggppubr进行统计,画图还是用ggplot2,统计的是两种,首先进行anova看整体差异,然后看各组与对照组的差异

library(ggplot2)
library(ggpubr)
ggplot(wb_long ,
       aes(x=Group,y=Value,color=Group,fill=Group))+
    geom_bar(stat="summary",fun=mean,position="dodge")+
    stat_summary(fun.data = 'mean_sd', geom = "errorbar", width = 0.5,position = position_dodge(0.9))+
    facet_grid(~Protein,scales = 'free')+
    theme_minimal(base_size = 12)+
    labs(x=NULL,y='Relative protein expression')+
    geom_dotplot(stackdir = "center", binaxis = "y", 
                 fill = "lightgray", 
                 dotsize = 0.9,position = position_dodge(0.9))+
    stat_compare_means(method = "anova")+
    stat_compare_means(method = 't.test',label = "p.signif",comparisons = list(c('NC','OE'),c('NC','DR')))
image.png

也可以提取某一个蛋白的数据,进行毕竟,比如只看B蛋白的数据,可以用下面的函数,然后作图

B<-wb_long[wb_long$Protein == 'B_n',]
ggplot(B ,
       aes(x=Group,y=Value,color=Group,fill=Group))+
    geom_bar(stat="summary",fun=mean,position="dodge")+
    stat_summary(fun.data = 'mean_sd', geom = "errorbar", width = 0.5,position = position_dodge(0.9))+
    theme_minimal(base_size = 12)+
    labs(x=NULL,y='Relative protein expression')+
    geom_dotplot(stackdir = "center", binaxis = "y", 
                 fill = "lightgray", 
                 dotsize = 0.9,position = position_dodge(0.9))+
    stat_compare_means(method = "anova")+
    stat_compare_means(method = 't.test',label = "p.signif",comparisons = list(c('NC','OE'),c('NC','DR')))
image.png

当然也可以换个主题和配色,可以用ggsci,也可以用ggplot的自定义,这里用ggsci的lancet配色

library(ggsci)
ggplot(B ,
       aes(x=Group,y=Value,color=Group,fill=Group))+
    geom_bar(stat="summary",fun=mean,position="dodge")+
    stat_summary(fun.data = 'mean_sd', geom = "errorbar", width = 0.5,position = position_dodge(0.9))+
    theme_bw(base_size = 12)+
    scale_color_lancet()+
    scale_fill_lancet()+
    labs(x=NULL,y='Relative protein expression')+
    geom_dotplot(stackdir = "center", binaxis = "y", 
                 fill = "lightgray", 
                 dotsize = 0.9,position = position_dodge(0.9))+
    stat_compare_means(method = "anova")+
    stat_compare_means(method = 't.test',label = "p.signif",comparisons = list(c('NC','OE'),c('NC','DR')))
image.png

这里手动添加配色,然后把标签去掉,因为底下已经有标签了,加一句theme(legend.position = 'none')

ggplot(B ,
       aes(x=Group,y=Value,color=Group,fill=Group))+
    geom_bar(stat="summary",fun=mean,position="dodge")+
    stat_summary(fun.data = 'mean_sd', geom = "errorbar", width = 0.5,position = position_dodge(0.9))+
    theme_bw(base_size = 12)+
    scale_color_manual(values = c('gray','steelblue','firebrick'))+
    scale_fill_manual(values = c('gray','steelblue','firebrick'))+
    labs(x=NULL,y='Relative protein expression')+
    geom_dotplot(stackdir = "center", binaxis = "y", 
                 fill = "lightgray", 
                 dotsize = 0.9,position = position_dodge(0.9))+
    stat_compare_means(method = "anova")+
    stat_compare_means(method = 't.test',label = "p.signif",comparisons = list(c('NC','OE'),c('NC','DR')))+theme(legend.position = 'none')
image.png
上一篇下一篇

猜你喜欢

热点阅读