r语言大作业——基因表达矩阵分析

基于PCA和聚类分析的基因表达数据处理与可视化

最新推荐文章于 2024-12-26 16:33:53 发布

原创最新推荐文章于 2024-12-26 16:33:53 发布 · 1k 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#r语言

生物信息学专栏收录该内容

14 篇文章

订阅专栏

本文介绍了如何使用PCA对基因表达矩阵进行降维，并筛选出所有样本中表达值大于0的基因。随后，对筛选后的数据进行了聚类分析并生成了基因表达热图。

给定一个基因表达矩阵，完成以下任务：
（1）利用主成分分析（PCA）对基因表达矩阵进行降维，并绘制PCA图。
（2）筛选在所有样本中表达值均大于0的所有基因。
（3）做聚类分析并绘制基因表达热图。

基因表达矩阵范例：

Gene	SRR8197410	SRR8197409	SRR8197412	SRR8197411	SRR8197414
Zm00001d027236	0.7017	0.5646	0.3444	0	0.6171
Zm00001d027230	2.1550	1.9702	2.3504	1.9531	2.3032
Zm00001d027231	6.1641	6.5401	5.8862	6.0108	6.1277
Zm00001d027239	4.9889	5.9224	5.7381	4.9829	5.0459

library(ggplot2)
library(pheatmap)
library(stats)
data <- read.table("基因表达矩阵", header=TRUE, row.names=1)
res.pca <- prcomp(t(data))

fviz_pca_var(res.pca, col.var = "black")#1

filtered_genes <- rownames(data)[apply(data, 1, function(x) all(x > 0))]
filtered_data <- data[filtered_genes,]#2
pheatmap(log2(filtered_data + 1), scale="row", clustering_method="complete")#3