学习limma: Linear Models for Micro
一、简介
limma应用于RNA-seq数据时，read counts被转换为log2-counts-per-million（logCPM）。可以有两种方式对均值-方差的关系（mean-variance relationship）进行建模：
（1）voom：精确权重（precision weights）；
（2）limma-trend：经验贝叶斯先验趋势（empirical Bayes prior trend）。
在这两种情况下，RNA-seq数据可以被作为微阵列数据（microarray data）进行分析。这意味着limma包中的任何线性建模或基因集测试方法都可以应用于RNA-seq数据。
limma使用线性模型（linear models）的方法来分析设计的微阵列实验。该方法需要指定一个或两个矩阵：
（1）第一种是设计矩阵（design matrix），它表明了每个阵列使用了哪些RNA样本。
（2）第二种是对比矩阵（contrast matrix），它指定了希望在RNA样本之间进行哪些比较。
对于非常简单的实验，可能不需要指定对比矩阵。
对于统计分析和评估差异表达，limma使用了一种经验贝叶斯方法（empirical Bayes method）来调整估计的倍数变化的标准误差（moderate the standard errors of the estimated log-fold changes）。这导致了更稳定的推理和更高的功效，特别是对于样本量少的实验。
基本过程：
- RNA-seq数据制作计数矩阵、样本分组信息、基因注释信息。
- 构建DGEList对象，过滤filterByExpr()，TMM标准化calcNormFactors()。
- 准备设计矩阵model.matrix()和对比矩阵makeContrasts()。
- cpm()过滤和标准化后的数据转换为logCPM。
- voom()转换过滤和标准化后的数据。eBayes()和treat()不需要trend=T。
- lmFit()通过为每一个基因拟合线性模型来估计fold changes和standard errors。
- contrasts.fit()将原始模型重新定向到对比模型，得到新的系数和标准误差。
- eBayes()使用trend=TRUE对标准误差进行经验贝叶斯平滑，计算每个对比中每个基因的moderated t-statistic和log-odds。
- treat()使用trend=TRUE对log-fold-changes大于某一非零阈值进行检验。
- topTable()给出一个最有可能在给定对比下差异表达的基因列表。
- topTableF()给出一个最有可能在给定的一组对比中差异表达的基因列表。
- decideTests()展示所有对比结果。
二、RNA-seq数据的前处理
（1）制作计数矩阵
> head(countdata,3)
WTF1 WTF2 WTF3 WTM1 WTM2 WTM3 MF1 MF2 MF3 MF4 MF5 MMF1 MMF2
gene17427 0 46 210 0 26 0 40 0 0 0 0 0 0
gene17428 50 322 334 0 345 384 284 199 218 11 1 2 1
gene17429 0 0 0 6 0 0 0 0 0 0 5 0 0
（2）样本分组信息
> Group
[1] WTF WTF WTF WTM WTM WTM MF MF MF MF MF MMF MMF
Levels: WTF WTM MF MMF
（3）基因注释信息
> head(anno)
chromosome ref_gene_name
gene17427 4 CR32011
gene17428 4 CR32010
gene17429 4 CR32009
gene17490 4 CR44028
gene17501 4 CR33797
gene17507 4 CR43361
（4）使用edgeR，将计数矩阵转换为DGEList对象
> y <- DGEList(counts=countdata)
> y
An object of class "DGEList"
$counts
WTF1 WTF2 WTF3 WTM1 WTM2 WTM3 MF1 MF2 MF3 MF4 MF5 MMF1 MMF2
gene17427 0 46 210 0 26 0 40 0 0 0 0 0 0
gene17428 50 322 334 0 345 384 284 199 218 11 1 2 1
gene17429 0 0 0 6 0 0 0 0 0 0 5 0 0
gene17490 4 0 3 0 0 0 0 3 0 0 0 0 0
gene17501 2 2 3 1 0 3 4 0 3 0 0 0 0
34367 more rows ...
$samples
group lib.size norm.factors
WTF1 1 26485372 1
WTF2 1 21708533 1
WTF3 1 26038158 1
WTM1 1 14282144 1
WTM2 1 27198208 1
8 more rows ...
> y$samples$group <- Group #加入分组信息
> y$genes <- anno #加入基因注释
（5）移除表达量非常低的基因
> #保留在至少在2个样品中表达量大于min.CPM的基因
> keep <- rowSums(cpm(y)>1) >= 2
> yf <- y[keep,,keep.lib.sizes=FALSE] #重置了库的大小lib.size
> y$samples$lib.size - yf$samples$lib.size
[1] 26499 39607 80456 25102 125345 105390 63741 24067 46952
[10] 37984 44858 35573 34754
> nrow(y) - nrow(yf) #减少的基因数
[1] 11844
> #另一种过滤方法filterByExpr
> keep <- filterByExpr(y,group=Group)
> yf <- y[keep,,keep.lib.sizes=FALSE]
> y$samples$lib.size - yf$samples$lib.size
[1] 11532 22890 58275 10496 88993 68069 35694 10642 24187 14905
[11] 22093 16030 19544
> nrow(y) - nrow(yf)
[1] 9521
用法：
filterByExpr(y, design = NULL, group = NULL, lib.size = NULL, ...)
filterByExpr(y, design = NULL, group = NULL, lib.size = NULL, min.count = 10, min.total.count = 15, large.n = 10, min.prop = 0.7, ...)
- y：DGEList对象
- design：设计矩阵，如果group不等于NULL时design会被忽略
- group：表示分组的向量或因子
- lib.size：默认为colSums(y)
- min.count：选取某基因表达量最小的样本，这个样品的最低计数要求。
- min.total.count：最小的总计数要求。
- large.n：每一个group中，样本数多少会被认为是大样本量。
- min.prop：最小分组中样本数量的比例。
该方法保留在n个样本中有大于k的CPM的基因。k由min.count 和lib.size决定，n由设计矩阵决定。n是最小的分组的样本量。如果所有的分组样本量都大于large.n，这就会稍微放松，但是n总是大于最小分组的min.prop（70%）。此外，每个保留的基因都需要在所有样本中至少有min.total.count的计数。
（6）计算CPM和logCPM
> #cpmyf <- cpm(yf)
> lcpmyf <- cpm(yf,log=T)
用法：
cpm(y,normalized.lib.sizes=T,log=F,prior.count=2)
- normalized.lib.sizes=T：使用标准化后的library sizes。
effective library size = y$samples$lib.size * y$samples$norm.factors - log=T：计算log2CPM
- prior.count=2：取对数前在每个观测值上加一个数，避免对0取对数。这里使用prior count可以降低low counts取对数的方差。
- rpkm()：会寻找
y$genes$Length或length
（7）箱线图
> col.group <- Group
> levels(col.group) <- brewer.pal(nlevels(col.group),"Set1")
> col.group <- as.character(col.group)
> col.group
[1] "#E41A1C" "#E41A1C" "#E41A1C" "#377EB8" "#377EB8" "#377EB8"
[7] "#4DAF4A" "#4DAF4A" "#4DAF4A" "#4DAF4A" "#4DAF4A" "#984EA3"
[13] "#984EA3"
> boxplot(lcpmyf,las=2,col=col.group)
boxplot.JPG
（8）TMM标准化(trimmed mean of M-values)
> yf <- calcNormFactors(yf,method = "TMM") #计算归一化系数
> #标准化后raw read counts值并没改变，只有norm.factors变了
> yf$samples$norm.factors
[1] 0.9027210 1.3505878 1.3102042 0.9202737 1.3636074 1.4155932
[7] 0.9726943 1.0979219 0.9623963 0.9108200 0.7308098 0.7473150
[13] 0.6892828
> ##获得标准化后的数据
> #cpmyf <- cpm(yf) #已经考虑归一化系数了，等于cpmyf/norm.factors
> #t(t(yf$counts)/yf$samples$lib.size/yf$samples$norm.factors)*1000000
> lcpmyf <- cpm(yf,log=T)
> boxplot(lcpmyf,las=2,col=col.group)
三、设计矩阵和对比矩阵
需要两种矩阵：
- 设计矩阵（design matrix），表明了每个阵列使用了哪些RNA样本。
- 对比矩阵（contrast matrix），指定了希望在RNA样本之间进行哪些比较。对于非常简单的实验，可能不需要指定对比矩阵。
有两种方法创建设计矩阵：
- create a design matrix which includes a coefficient for the mutant vs wild type difference, 将对照组作为截距，有一个系数表示实验组与对照组的差异。
- create a design matrix which includes separate coefficients for wild type and mutant mice and then extract the difference as a contrast.截距为0，对照组和实验组分别有自己的系数。
（1）对照组作为截距
> Group
[1] WTF WTF WTF WTM WTM WTM MF MF MF MF MF MMF MMF
Levels: WTF WTM MF MMF
> design <- model.matrix(~Group)
> colnames(design) <- c("WTF","WTMvsWTF","MFvsWTF","MMFvsWTF")
> design
WTF WTMvsWTF MFvsWTF MMFvsWTF
1 1 0 0 0
2 1 0 0 0
3 1 0 0 0
4 1 1 0 0
5 1 1 0 0
6 1 1 0 0
7 1 0 1 0
8 1 0 1 0
9 1 0 1 0
10 1 0 1 0
11 1 0 1 0
12 1 0 0 1
13 1 0 0 1
attr(,"assign")
[1] 0 1 1 1
attr(,"contrasts")
attr(,"contrasts")$Group
[1] "contr.treatment"
（2）截距为0，对照组和实验组分别有自己的系数
> design <- model.matrix(~0+Group)
> colnames(design) <- c("WTF","WTM","MF","MMF")
> design
WTF WTM MF MMF
1 1 0 0 0
2 1 0 0 0
3 1 0 0 0
4 0 1 0 0
5 0 1 0 0
6 0 1 0 0
7 0 0 1 0
8 0 0 1 0
9 0 0 1 0
10 0 0 1 0
11 0 0 1 0
12 0 0 0 1
13 0 0 0 1
attr(,"assign")
[1] 1 1 1 1
attr(,"contrasts")
attr(,"contrasts")$Group
[1] "contr.treatment"
（3）对比矩阵
> cont.matrix <- makeContrasts(WTMvsWTF = WTM-WTF, MFvsWTF = MF-WTF,
+ MMFvsWTF = MMF-WTF, MMFvsMF = MMF-MF,
+ levels = colnames(design))
> cont.matrix
Contrasts
Levels WTMvsWTF MFvsWTF MMFvsWTF MMFvsMF
WTF -1 -1 -1 0
WTM 1 0 0 0
MF 0 1 0 -1
MMF 0 0 1 1
用法：
makeContrasts(..., contrasts=NULL, levels)
- contrasts：指定对比的字符型向量。
- levels：字符向量或因子，给出所需对比的参数的名称names，或设计矩阵等以参数名称为列名的对象。参数通常是线性模型拟合的系数。
- 此函数的输出通常用作contrasts.fit的输入。
> makeContrasts(B-A,C-B,C-A,levels=c("A","B","C"))
Contrasts
Levels B - A C - B C - A
A -1 0 -1
B 1 -1 0
C 0 1 1
（4）成对样本的比较
成对样本的比较出现在我们比较两种处理条件，并且每个样本给予一个处理自然地与一个给予另一种处理的特定的样本配对的情况。与这种情况相关的经典检验是配对t检验。Paired samples occur when we compare two treatments and each sample given one treatment is naturally paired with a particular sample given the other treatment. This is a special case of blocking with blocks of size two. The classical test associated with this situation is the paired t-test.
上述对于成对样本的比较也可以用于存在batch effects或实验从不同的blocks进行的情况。处理条件仅在每一个模块内进行比较。
The above approach used for paired samples can be applied in any situation where there are batch effects or where the experiment has been conducted in blocks. The treatments can be adjusted for differences between the blocks by using a model formula of the form:
> design <- model.matrix(~Block+Treatment)
In this type of analysis, the treatments are compared only within each block.
四、差异表达分析
limma最初设计用于分析微阵列数据，但目前已扩展到RNA-seq数据、DNA甲基化等。limma应用于RNA-seq数据，也是基于raw count的定量方式，但是它并不提供归一化算法，在官方手册中推荐采用edgeR的TMM归一化算法。read counts被转换为log2-counts-per-million（logCPM），并假设log-CPM值符合正态分布。可以有两种方式调整均值-方差的关系（mean-variance relationship），从而对log-CPM值进行线性建模：
- voom：精确权重（precision weights）；
- limma-trend：经验贝叶斯先验趋势（empirical Bayes prior trend）。
在这两种情况下，RNA-seq数据可以被作为微阵列数据（microarray data）进行分析。这意味着limma包中的任何线性建模或基因集测试方法都可以应用于RNA-seq数据。
如果测序深度在RNA样本之间差异不大（最大library size和最小library size相差3倍以内），那么使用limma-trend是最简单和最稳健的方法。将计数数据转化为logCPM，然后logCPM值可以在任何标准的limma pipeline中进行分析。在运行eBayes或treat时使用trend=TRUE。
当library sizes在样本之间差距较大时，voom方法在理论上比limma-trend更有效。
（1）limma-trend
- 数据转换为logCPM
> lcpmyf <- cpm(yf,log=T)
- 设计矩阵
> design <- model.matrix(~0+Group)
> colnames(design) <- gsub("Group","",colnames(design))
> rownames(design) <- colnames(yf)
- 对比矩阵
> cont.matrix <- makeContrasts(WTMvsWTF = WTM-WTF, MFvsWTF = MF-WTF,
+ MMFvsWTF = MMF-WTF, MMFvsMF = MMF-MF,
+ levels = colnames(design))
> cont.matrix
Contrasts
Levels WTMvsWTF MFvsWTF MMFvsWTF MMFvsMF
WTF -1 -1 -1 0
WTM 1 0 0 0
MF 0 1 0 -1
MMF 0 0 1 1
- 拟合线性模型lmFit
> fit <- lmFit(lcpmyf, design)
- 转换为对比模型contrasts.fit
> fit2 <- contrasts.fit(fit, cont.matrix)
- 经验贝叶斯平滑eBayes
> fit3 <- eBayes(fit2, trend=TRUE)
- 提取某组比较的结果
> topTable(fit3, coef=ncol(design))
logFC AveExpr t P.Value adj.P.Val B
rna23260 9.733111 -2.401474 18.96688 6.770586e-10 1.525278e-05 7.506843
rna4289 8.671071 -2.564865 17.44008 1.691543e-09 1.905354e-05 7.248625
rna6574 7.687889 -2.716123 15.91767 4.555986e-09 2.608897e-05 6.933027
- 或者treat在基因排序中给予fold-changes更多权重
> fit4 <- treat(fit2, lfc=log2(1.2),trend=TRUE)
- 提取有fold-changes阈值的某组比较的结果
> topTreat(fit4, coef=ncol(design))
logFC AveExpr t P.Value adj.P.Val
rna23260 9.733111 -2.40147385 21.44573 2.000093e-10 4.505809e-06
rna4289 8.671071 -2.56486452 19.03239 7.024639e-10 7.912553e-06
rna34624 8.412221 -2.49050322 17.32005 1.908439e-09 1.433110e-05
- 提取所有比较结果
> dt <- decideTests(fit3)
> head(dt,3)
TestResults matrix
Contrasts
WTMvsWTF MFvsWTF MMFvsWTF MMFvsMF
gene17427 0 0 0 0
gene17428 0 0 0 0
gene17507 0 0 0 0
> summary(dt)
WTMvsWTF MFvsWTF MMFvsWTF MMFvsMF
Down 90 14 23 16
NotSig 20700 22477 22452 22481
Up 1738 37 53 31
- 保存为文件
> write.fit(fit3, dt, file="results.txt")
（2）voom
- voom转换应用于过滤后并标准化的DGEList对象
> v <- voom(yf, design, plot=TRUE)
> v #EList对象
voom
- 在此之后，可以使用通常的limma差异表达分析工作流程
> fit <- lmFit(v, design)
> fit2 <- contrasts.fit(fit, cont.matrix)
> fit3 <- eBayes(fit2)
- 绘制log2残差标准差与log-CPM均值的关系
> plotSA(fit3, main="Final model: Mean-variance trend")
plotSA
- 提取结果
> restop <- topTable(fit3, coef=ncol(design), n=Inf)
五、limma用法
（1）voom——Transform RNA-Seq Data Ready for Linear Modelling
voom(counts, design = NULL, lib.size = NULL, normalize.method = "none", block = NULL, correlation = NULL, weights = NULL, span = 0.5, plot = FALSE, save.plot = FALSE)
- counts：是一个包含raw counts的数值矩阵、或ExpressionSet、DGEList对象。counts必须是非负数，并且不含有NAs。
- design：设计矩阵。
- lib.size：每一个样本库的大小。默认为DGEList对象的normalized (effective) library sizes。
-
plot：是否绘制mean-variance trend图。
voom用法
（2）lmFit
lmFit(object, design=NULL, ndups=1, spacing=1, block=NULL, correlation, weights=NULL, method="ls", ...)
- object：一种类似于矩阵的数据对象，其中包含log-expression values。
- design：设计矩阵。
- method：拟合方法，"ls"表示最小二乘，"robust"表示稳健回归。
（3）contrasts.fit
contrasts.fit(fit, contrasts=NULL, coefficients=NULL)
- fit：是lmFit的输出。包含coefficients和stdev.unscaled。
- contrasts：数值矩阵，行对应于拟合中的系数，列包含对比。如果只有一个对比，可能是一个向量。可以是makeContrasts得到的对比矩阵。
- coefficients：向量，指示哪些系数将保留在修改后的拟合对象中。 指定对比的另一种方法。
- contrasts.fit之后会得到coefficients、stdev.unscaled、cov.coefficients，fit里面大多数组成成分会被保留，但是t、p.value、lods、F、F.p.value会被移除。
contrasts.fit
（4）eBayes
eBayes(fit, proportion = 0.01, stdev.coef.lim = c(0.1,4), trend = FALSE, robust = FALSE, winsor.tail.p = c(0.05,0.1))
treat(fit, lfc = log2(1.2), trend = FALSE, robust = FALSE, winsor.tail.p = c(0.05,0.1))
- 给定一个微阵列线性模型拟合，计算moderated t-statistics、moderated F-statistic和差异表达的logodds，通过经验Bayes将标准误差调整到一个共同的值。
- fit：lmFit或contrasts.fit得到的拟合模型。
- proportion：0-1之间的数，差异表达基因的假定比例。
- trend：对于先验方差是否允许一个intensity-trend。默认先验方差是常数。
- robust：df.prior和var.prior的估计是否稳健地反对离群样本方差（be robustified against outlier sample variances）。
- lfc：被认为具有科学意义的最小log2倍数变化。
eBayes
（5）toptable
topTable(fit, coef=NULL, number=10, genelist=fit
genes, adjust.method="BH", sort.by="F", p.value=1, lfc=0)
topTreat(fit, coef=1, sort.by="p", resort.by=NULL, ...)
- fit：由lmFit和eBayes/treat产生。
- coef：列号或列名，指定线性模型的哪个系数或对比是感兴趣的。对于topTable，也可以是列下标的向量，在这种情况下，基因排序是按照这组对比的F-statistic。
- number：列出的基因的最大数量。
- sort.by：按照什么对基因进行排序。对于topTable可以是"logFC"/"M", "AveExpr"/"A"/"Amean", "t"/"T", "P"/"p", "B" or "none"。对于topTableF可以是"F" or "none"。对于topTreat，与topTable相同，除了"B"。
- p.value：校正后的p值的阈值，只有小于这个值的基因才会被列出。
- lfc：要求的最小absolute log2-fold-change。topTable和topTableF只列出log-fold-changes大于设置的lfc值的基因。在topTreat这个argument不可用，不会去除基因，但根据它们的对数变化超过lfc的证据对基因进行排序。
- confint：是否输出logFC的95%置信区间。或者在0-1之间取值作为置信度。
toptable结果
（6）decideTests
decideTests(object, method = "separate", adjust.method = "BH", p.value = 0.05, lfc = 0, ...)
- object：一个p值的数值矩阵，或eBayes和treat产生的对象，从中可以提取p值和t统计量。
- method：指定如何在多个测试方案中组合基因和对比。可以是"separate", "global", "hierarchical" or "nestedF"。
- method="separate"将对p值的每一列分别应用多重测试调整。设置method="separate"等价于对线性模型拟合中的每个系数分别使用topTable的方法。method="global"将把t统计量的整个矩阵看作一个不相关检验的单一向量。当需要在所有对比中有相同的t统计量阈值时，method="global"是有用的。
- adjust.method：可以是"none", "BH", "fdr" (equivalent to "BH"), "BY" and "holm"。
- p.value：0-1的数值，给出要求的family-wise error rate or false discovery rate。
- lfc：要求的最小absolute log2-fold-change。
- 结果用-1,0,1表示significantly negative, not significant, significantly positive。
（7）write.fit
write.fit(fit, results = NULL, file, digits = NULL, adjust = "none", method = "separate", F.adjust = "none", quote = FALSE, sep = "\t", row.names = TRUE, ...)
This function writes a tab-delimited text file containing for each gene (1) the average log2-intensity, (2) the coefficients or contrasts (log2-fold-changes), (3) moderated t-statistics, (4) t-statistic P-values, (5) F-statistic if available, (6) F-statistic P-values if available, (7) classification if available and (8) gene names and annotation.
> dt <- decideTests(fit3)
> write.fit(fit3, dt, file="resultsvoom.txt")
> restxt <- read.table("resultsvoom.txt")
> colnames(restxt)
[1] "A" "Coef.WTMvsWTF"
[3] "Coef.MFvsWTF" "Coef.MMFvsWTF"
[5] "Coef.MMFvsMF" "t.WTMvsWTF"
[7] "t.MFvsWTF" "t.MMFvsWTF"
[9] "t.MMFvsMF" "p.value.WTMvsWTF"
[11] "p.value.MFvsWTF" "p.value.MMFvsWTF"
[13] "p.value.MMFvsMF" "F"
[15] "F.p.value" "Res.WTMvsWTF"
[17] "Res.MFvsWTF" "Res.MMFvsWTF"
[19] "Res.MMFvsMF" "Genes.chromosome"
[21] "Genes.ref_gene_name"
