• 主页
  • 课程

    关于课程

    • 课程归档
    • 成为一名讲师
    • 讲师信息
    同等学历教学

    同等学历教学

    免费
    阅读更多
  • 特色
    • 展示
    • 关于我们
    • 问答
  • 事件
  • 个性化
  • 博客
  • 联系
  • 站点资源
    有任何问题吗?
    (00) 123 456 789
    weinfoadmin@weinformatics.cn
    注册登录
    恒诺新知
    • 主页
    • 课程

      关于课程

      • 课程归档
      • 成为一名讲师
      • 讲师信息
      同等学历教学

      同等学历教学

      免费
      阅读更多
    • 特色
      • 展示
      • 关于我们
      • 问答
    • 事件
    • 个性化
    • 博客
    • 联系
    • 站点资源

      未分类

      • 首页
      • 博客
      • 未分类
      • (RNAseq测序)跟着豆豆一起回顾标准化方法

      (RNAseq测序)跟着豆豆一起回顾标准化方法

      • 发布者 weinfoauthor
      • 分类 未分类
      • 日期 2020年2月20日
      • 评论 0评论

      首先要熟悉表达矩阵

      表达矩阵就是我们上游分析根据比对后的sam/bam文件,利用软件(如转录组的featureCounts)定量的结果。它的格式是:行为基因,列为样本,中间的数值是表达量【例如下图】

      标准化需要考虑的三个层面和三个因素

      「三个层面」之一:组间样本间比较(两个样本两个组)

      它探讨的问题就是:我们想看经过处理后样本的样本变化,原来我这个基因的表达量是10,那么处理后样本中这个基因表达量会下降还是上升或者不变呢?。一般我们希望这个结果有很明显的差异【也就是常说的差异分析】

      「三个层面」之二:组内重复样本间比较(两个样本一个组)

      它探讨的问题就是:单纯看看处理组的三个重复之间,某个基因有没有差别,好检测一下做的实验误差大不大。一般我们不希望这个结果很明显的差异

      「三个层面」之三:组内样本内比较(一个样本一个组)

      它探讨的问题就是:我这个组的一个重复样本中的A基因和B基因,哪个表达量更高一些?为什么对于我这个样本,B基因表达量会高于A呢?

      首先要了解实验属于哪个层面,然后有的放矢,再去看应该考虑哪些情况

      「三种情况」之一:测序深度

      如果要比较两个样本的同一个基因表达量,那么首先要保证外部因素一致,最直接的体现就是测序深度。不同批次的测序,它的测序深度可能不同,因此可能导致下面这种情况:

      注意:图中所有红色和绿色的小长条就是比对到基因的测序read,我们也是按它们的数量来判断某个基因表达量的;看到有的长条之间连了一条虚线,这表示它是跨越内含子比对的测序read。我们使用的hisat2就支持这种跨内含子比对】

      图中:貌似A样本的所有基因表达量都是B的两倍。但如果A样本本身测序量就大呢?也就是说,A和B的“家底”就不同,不能直接放一起比较,要比也要放在同一水平公正去比

      「三种情况」之二:基因长度

      如果要比较同一个样本中的不同基因,那么就要处理好“内部矛盾”——基因长度的问题。基因的长度是固定的,如果要比较的两个基因中,一个基因本身就很长,那么理所应当,落在上面的reads数量应该也越多。因此可能导致下面这种情况:

      图中: 虽然都位于样本A,但基因X比Y要长,所以比对过程中也有更多的reads落在X上,这样X的获胜很有可能是靠着自己“修长”的身材,而不是靠真正的表达量实力

      「三种情况」之三:RNA组成

      这种情况也可以理解为:找出搅局者。依然是在组间比较,但可能某个样本中就是存在这样的“异类”:它本身很强大,表达量超级高,拉高了整体的表达量,造成一种“虚假繁荣”。于是当默认按照情况一:测序深度处理时,“异类”的所有小伙伴都要陪着它一起缩小,为了减小所谓的“测序深度影响”。但它的小伙伴亏啊,本来和对照样本中的基因单挑是完胜的,但这一缩减,就不行了【如下图】

      图中: 本来样本A中的所有基因都比B要高,即使为了公平起见处理一下测序深度,也很有可能是胜出或者打个平手。但A中出现了一个DE基因(可以理解成表达迥异的基因),它的到来让我们误以为样本A的测序深度很高,于是给A的所有基因都除以了一个值,保证和样本B可比。于是,样本A中除了DE以外的基因,最后都被B的对应基因打败了【A中基因含恨而亡,DE很愧疚】

      但你说,这个DE基因怎么来的呢?天生的吗?

      有可能是真的存在这种少数特殊基因,就在某个样本中高表达;但还有可能,是出现了样本污染混入的其他基因,它本身不属于样本A,只是过来跑跑龙套,然后带偏了整个结果

      因此,在我们进行差异分析时,除了考虑测序深度,还有考虑样本内部组成

      好,来看看常见的标准化方法

      既然上面?我们了解了为什么进行标准化以及标准化针对的对象,那么接下来就看看都有什么好办法来完成这个任务,以及它们适用的场景吧!

      这里必须要好好感谢一下哈佛的教学人员,整理出来一份很细致的方法对比说明

      先上原图

      然后我再逐个解读

      这些名词其实没必要翻译成中文,因为翻译过来可能更糊涂了。比如FPKM的翻译是:每1百万个map上的reads中map到外显子的每1K个碱基上的Fragments个数。而看它的计算方法其实最直观:FPKM= read counts / (mapped reads (Millions) * exon length(KB))

      CPM (counts per million)
      • 主要适用于组内重复样本间比较
      • 不适用于:组间样本间比较(也就是差异分析);组内重复样本间比较
      • 主要考虑的是:测序深度
      TPM (transcripts per kilobase million)
      • 主要适用于:组内重复样本间比较、组内样本内比较
      • 不适用于:组间样本间比较(差异分析)
      • 主要考虑的是:测序深度和基因长度
      RPKM/FPKM
      • 主要适用于:组内样本内比较
      • 不适用于:组间样本间比较(差异分析)、组内重复样本间比较
      • 主要考虑的是:测序深度和基因长度

      这就很有意思了,为什么TPM和RPKM都是考虑了测序深度和基因长度,但RPKM却不能进行组内重复样本间比较呢?

      这是因为RPKM或者RPKM算出来的标准化后的数值和TPM不同:每个样本中的TPM的总和都是一样的,而FPKM则不相等【先看这篇:标准化进行时】:The total number of RPKM/FPKM normalized counts for each sample will be different.

      总和不同当然不能直接进行比较了

      DESeq2’s median of ratios

      • 主要适用于:组内重复样本间比较、组间样本间比较(差异分析)
      • 不适用于:组内样本内比较
      • 主要考虑的是:测序深度和RNA组成

      EdgeR’s trimmed mean of M values (TMM)

      它应该是考虑问题最多的标准化方法

      • 适用于:组内重复样本间比较、组间样本间比较(差异分析)、组内样本内比较
      • 主要考虑的是:测序深度,基因长度和RNA组成

      补充说明

      下面是针对一些方法的补充

      问题一:RPKM/FPKM

      RPKM:以每个Read为一个单位,单端测序常用

      FPKM:以Fragment一个单位,主要在双端测序

      • 它们的差别是:FPKM在一对reads map上的情况下只计数1,而RPKM会计数2。因此为了准确,PE测序时我们认为一对reads比对上也只算一次,因此使用FPKM
      • 一般无参转录组使用RSEM计算的结果,会给出FPKM和TPM两种结果

      关于计算方法【难度在于准确计算基因长度】:看:「刘小泽RPKM概念及计算方法」https://www.jianshu.com/p/2bfa2b65a700

      问题二:10X单细胞数据中的count需要计算TPM、FPKM等吗?

      答案是不需要:https://kb.10xgenomics.com/hc/en-us/articles/115003684783-How-to-calculate-TPM-RPKM-or-FPKM-instead-of-counts-

      计算TPM、FPKM的一个原因是:比较一个样本内的两个基因时,担心基因长度会造成影响。

      • UMIs enable accurate quantitation of gene expression levels because we can tell when reads are generated from the same mRNA molecule.
      • In traditional RNA-seq workflow, the probability of sampling a fragment from a long transcript is higher than from a short one.
      • in 10x single cell 3′ or 5′ gene expression assay, this gene-length bias does not exist.

      问题三:还有一种RPM和TPM一样吗?

      它们的对比可以看:https://reneshbedre.github.io/blog/expression_units.html

      • RPM:Reads per million mapped reads
      • TPM:Transcript per million
      • TPM proposed as an alternative to RPKM due to inaccuracy in RPKM measurement (Wagner et al., 2012)

      RPM不考虑转录本长度,而TPM考虑;不过它和CPM倒是类似(分别是:Reads/Counts of exon model per Million mapped reads)

      问题四:FPKM和TPM标准化过程的区别

      • FPKM和RPKM:先按列(也就是这个样本的总count值)进行标准化,然后再对每个基因的长度进行标准化
      • TPM:先对基因长度进行标准化,之后再对列(此时已经不再是原来count值的简单加和了)进行标准化

      问题五:DEseq2的详细标准化方法

      看哈佛的讲解,非常详细易懂:
      https://hbctraining.github.io/DGE_workshop/lessons/02_DGE_count_normalization.html

      Step 1: creates a pseudo-reference sample (row-wise geometric mean)

      Step 2: calculates ratio of each sample to the reference

      Step 3: calculate the normalization factor for each sample (size factor)

      Step 4: calculate the normalized count values using the normalization factor

      问题六:如何计算TPM?

      偶然看到一篇文章发在了Bioinformatics:
      https://github.com/ncbi/TPMCalculator

      核心内容是:给他bam和GTF,给你算出来结果

      另外,各种标准化计算的公式,都非常清楚了写在了:https://reneshbedre.github.io/blog/expression_units.html

      可以自己根据公式去探索如何得到其中的每个数【当然好像也有一些R包可以做这个事情,但是需要时间去找、去验证】

      其他的资源

      视频:RPKM, FPKM and TPM, Clearly Explained!!!
      (https://www.youtube.com/watch?v=TTUrtCY2k-w)

      文章:

      • 浅谈RPKM,FPKM,RPM,TPM的区别
        https://vip.biotrainee.com/d/63-rpkm-fpkm-rpm-tpm
      • CPM与TPM的区别:
        https://bioinformatics.stackexchange.com/questions/2298/difference-between-cpm-and-tpm-and-which-one-for-downstream-analysis

      请关注“恒诺新知”微信公众号,感谢“R语言“,”数据那些事儿“,”老俊俊的生信笔记“,”冷🈚️思“,“珞珈R”,“生信星球”的支持!

      • 分享:
      weinfoauthor
      weinfoauthor

      1233

      上一篇文章

      Nature发布2020值得期待的技术(生物信息学-基因组学-微生物组)
      2020年2月20日

      下一篇文章

      (测序)微生物基因组下载神器推荐:ncbi-genome-download
      2020年2月21日

      你可能也喜欢

      2-1675088548
      lncRNA和miRNA生信分析系列讲座免费视频课和课件资源包,干货满满
      30 1月, 2023
      9-1675131201
      如何快速批量修改 Git 提交记录中的用户信息
      26 1月, 2023
      8-1678501786
      肿瘤细胞通过改变CD8+ T细胞中的丙酮酸利用和琥珀酸信号来调控抗肿瘤免疫应答。
      7 12月, 2022

      留言 取消回复

      要发表评论,您必须先登录。

      搜索

      分类

      • R语言
      • TCGA数据挖掘
      • 单细胞RNA-seq测序
      • 在线会议直播预告与回放
      • 数据分析那些事儿分类
      • 未分类
      • 生信星球
      • 老俊俊的生信笔记

      投稿培训

      免费

      alphafold2培训

      免费

      群晖配置培训

      免费

      最新博文

      Nature | 单细胞技术揭示衰老细胞与肌肉再生
      301月2023
      lncRNA和miRNA生信分析系列讲座免费视频课和课件资源包,干货满满
      301月2023
      如何快速批量修改 Git 提交记录中的用户信息
      261月2023
      logo-eduma-the-best-lms-wordpress-theme

      (00) 123 456 789

      weinfoadmin@weinformatics.cn

      恒诺新知

      • 关于我们
      • 博客
      • 联系
      • 成为一名讲师

      链接

      • 课程
      • 事件
      • 展示
      • 问答

      支持

      • 文档
      • 论坛
      • 语言包
      • 发行状态

      推荐

      • iHub汉语代码托管
      • iLAB耗材管理
      • WooCommerce
      • 丁香园论坛

      weinformatics 即 恒诺新知。ICP备案号:粤ICP备19129767号

      • 关于我们
      • 博客
      • 联系
      • 成为一名讲师

      要成为一名讲师吗?

      加入数以千计的演讲者获得100%课时费!

      现在开始

      用你的站点账户登录

      忘记密码?

      还不是会员? 现在注册

      注册新帐户

      已经拥有注册账户? 现在登录

      close
      会员购买 你还没有登录,请先登录
      • ¥99 VIP-1个月
      • ¥199 VIP-半年
      • ¥299 VIP-1年
      在线支付 激活码

      立即支付
      支付宝
      微信支付
      请使用 支付宝 或 微信 扫码支付
      登录
      注册|忘记密码?