corralation

0.输入数据和R包

rm(list=ls())
library(ggpubr)
library(stringr)
load(file = "for_boxplot.Rdata")

VHL_mut=str_sub(as.character(
  as.data.frame( mut[mut$Hugo_Symbol=='VHL','Tumor_Sample_Barcode'])[,1] ),
  1,12)

2.任意两个基因的相关性分析

2.1 简单绘图

使用ggpbur。

dat=data.frame(gene1=exprSet['hsa-mir-10b',],
               gene2=exprSet['hsa-mir-143',],
               stage=meta$patient.stage_event.pathologic_stage)

sp1 <- ggscatter(dat, x = "gene1", y = "gene2",
                add = "reg.line",  # Add regressin line 
                add.params = list(color = "blue", fill = "lightgray"), # Customize reg. line
                conf.int = TRUE # Add confidence interval
) + stat_cor(method = "pearson", label.x = 15, label.y = 20)
sp1

image.png

2.2 按照stage分组

不仅stage，任意在meta信息中能找到或生产的分组都可以。（找跟分期相关性的关系）

sp2 <- ggscatter( dat, x = "gene1", y = "gene2",
                color = "stage", palette = "jco",
                add = "reg.line", conf.int = TRUE) +  stat_cor(aes(color = stage),label.x = 15 )
sp2

image.png

2.3 按照是否突变来分组

理论上某个是否突变并不会改变某两个基因的相关性趋势，如果有这种特殊的突变，打乱了两个基因之间正常的相关关系，机制就有了。可以写循环试一下是否有这样的基因突变。

expm = exprSet[,str_sub(colnames(exprSet),1,12) %in% unique(str_sub(mut$Tumor_Sample_Barcode,1,12))]
dat=data.frame(gene1=expm['hsa-mir-10b',],
               gene2=expm['hsa-mir-143',],
               mut= str_sub(colnames(expm),1,12) %in% VHL_mut)
sp3 <- ggscatter( dat, x = "gene1", y = "gene2",
                color = "mut", palette = "jco",
                add = "reg.line", conf.int = TRUE) +  stat_cor(aes(color = mut),label.x = 15 )
sp3

image.png

3.分面

sp2  + facet_wrap(~stage, scales = "free_x")

image.png

sp3  + facet_wrap(~mut, scales = "free_x")

image.png

可通过循环寻找基因之间的相关性（小洁老师简书有，记得学）

*生信技能树课程笔记