目录

R语言之生信①差异基因分析1

R语言之生信②差异基因分析2

R语言之生信③差异基因分析3

R语言之生信④TCGA生存分析1

R语言之生信⑤TCGA生存分析2

R语言之生信⑥TCGA生存分析3

R语言之生信⑦Cox比例风险模型(单因素)

R语言之生信⑧Cox比例风险模型(多因素)

R语言之生信（9）R语言多个生存分析曲线比较

R语言之生信（10）多个探针对应一个基因的处理方法

R语言之生信（11）五分钟学会用R语言构建ceRNA网络

======================================

背景：

microRNA作为一种重要的调控因子，是长短约22nt的短链RNA，能够通过抑制目的基因的翻译或降解目的基因，从而反向调节目的基因的表达。而实际调控过程中不仅仅是简单的microRNA-mRNA的沉默机制，还有更为复杂的调控网络，一些非编码的RNA同样存在与microRNA的结合位点，在细胞中起到miRNA海绵（miRNA sponge）的作用，进而解除miRNA对其靶基因的抑制作用，升高靶基因的表达水平，也因此构建了庞大的ceRNA网络（ceRNETs），这一作用机制被称为竞争性内源RNA（ceRNA）机制。

材料

（1）mRNA表达矩阵（2）miRNA表达矩阵（3）lncRNA表达矩阵，他们的格式如下所示：

我们想要的结果大致如下：
（1）寻找miRNA-mRNA调节关系对
（2）寻找miRNA-lncRNA调节关系对
（3）合并miRNA-mRNA、miRNA-lncRNA调节关系对，构建ceRNA网络

• R语言运行的调控关系对如下所示：
  根据相关分析，找到符合我们统计学要求（p < 0.05同时 correlation值小于-0.4）的关系对

  
  
  

第一步

读取数据集（将mRNA，miRNA和lncRNA表达矩阵读取进来）

library(reshape2)
library(dplyr)
library(tidyr)
rm(list=ls())
setwd('D:\\train\\data')

mRNA <- read.csv('mRNA.csv',sep = ',',header = T,row.names = 1)
miRNA <- read.csv('miRNA.csv',sep = ',',header = T,row.names = 1)
lncRNA <- read.csv('lncRNA.csv',sep = ',',header = T,row.names = 1)

第二步

去除单独的样本（因为有的样本可能做了mRNA测序，却没做miRNA测序。因此我们需要筛选出来那些同时做了mRNA，miRNA，lncRNA测序的样本）

a <- colnames(mRNA)
b <- colnames(miRNA)
c <- colnames(lncRNA)

sample <- intersect(a,intersect(b,c))

mRNA <- mRNA[,which(colnames(mRNA) %in% sample )]
miRNA <- miRNA[,which(colnames(miRNA) %in% sample )]
lncRNA <- lncRNA[,which(colnames(lncRNA) %in% sample )]
mRNA <-  as.data.frame(t(mRNA))
miRNA <-  as.data.frame(t(miRNA))
lncRNA <-  as.data.frame(t(lncRNA))

mRNA <- mRNA[order(rownames(mRNA)),]
miRNA <- miRNA[order(rownames(miRNA)),]
lncRNA <- lncRNA[order(rownames(lncRNA)),]

第三步

寻找任一(miRNA)与任一(mRNA)相关性分析结果（主要关注两个统计学指标：P值和cor值）