Question

请参阅下面的编辑 使用R，我想过滤一个矩阵（基因表达数据）并只保留具有高方差值的行（基因/探针）。例如，我希望仅保留具有底部和顶部百分位数值的行（例如，低于20％且高于80％）。我想将我的研究仅限于下游分析的高变异基因。 R中有基因过滤的常用方法吗？

我的矩阵有18个样本（列）和47000个探针（行），其值为log2变换和标准化。我知道quantile()函数可以识别每个样本列中的20％和80％截止值。我无法弄清楚如何为整个矩阵找到这些值，然后将原始矩阵子集化以删除所有非变量＆＃34;行。

示例矩阵的平均值为5.97，因此最后三行应该被删除，因为它们包含20％和80％截止值之间的值：

> m

                sample1 sample2 sample3 sample4 sample5 sample6
ILMN_1762337    7.86    5.05    4.89    5.74    6.78    6.41
ILMN_2055271    5.72    4.29    4.64    5.00    6.30    8.02
ILMN_1736007    3.82    6.48    6.06    7.13    8.20    4.06
ILMN_2383229    6.34    4.34    6.12    6.83    4.82    5.57
ILMN_1806310    6.15    6.37    5.54    5.22    4.59    6.28
ILMN_1653355    7.01    4.73    6.62    6.27    4.77    6.12
ILMN_1705025    6.09    6.68    6.80    6.85    8.35    4.15
ILMN_1814316    5.77    5.17    5.94    6.51    7.12    7.20
ILMN_1814317    5.97    5.97    5.97    5.97    5.97    5.97
ILMN_1814318    5.97    5.97    5.97    5.97    5.97    5.97
ILMN_1814319    5.97    5.97    5.97    5.97    5.97    5.97

我很欣赏我应该研究的任何建议或功能。谢谢！

修改

对不起，我在OP中不太清楚。（1）我想知道整个矩阵的20％和80％截止值（不仅仅是每个样本）。（2）然后，如果任何行包含上百分位数或下百分位数的值，则R将保留这些行。如果一行包含接近均值的值（对于所有样本），则抛出这些行。

Answer 1

好的，假设你有一个矩阵（所以我假设你的ID列实际上是rownames），那么这很简单。

#  First find the desired quantile breaks for the entire matrix
qt <- quantile( m , probs = c(0.2,0.8) )
# 20%  80% 
#5.17 6.62 
#  Next get a logical vector of the rows that have any values outside these breaks
rows <- apply( m , 1 , function(x) any( x < qt[1] | x > qt[2] ) )
#  Subset on this vector
m[ rows , ]
#            sample1 sample2 sample3 sample4 sample5 sample6
#ILMN_1762337    7.86    5.05    4.89    5.74    6.78    6.41
#ILMN_2055271    5.72    4.29    4.64    5.00    6.30    8.02
#ILMN_1736007    3.82    6.48    6.06    7.13    8.20    4.06
#ILMN_2383229    6.34    4.34    6.12    6.83    4.82    5.57
#ILMN_1806310    6.15    6.37    5.54    5.22    4.59    6.28
#ILMN_1653355    7.01    4.73    6.62    6.27    4.77    6.12
#ILMN_1705025    6.09    6.68    6.80    6.85    8.35    4.15
#ILMN_1814316    5.77    5.17    5.94    6.51    7.12    7.20

any( x < qt[1] | x > qt[2] )函数的apply部分（用于跨矩阵的边距应用函数）如果任何值，则返回TRUE该行超出样本矩阵的20％和80％分位数。根据定义，如果没有值超出这些边界，则返回FALSE，表示我们将在下一行中删除该行。

Answer 2

Biocondcutor genefilter包提供与微阵列分析相关的常见过滤器。基于行方式可变性的典型过滤器将是

m = matrix(rnorm(47000 * 6), 47000)
varFilter(m)

软件包登录页面引用说明基本操作的小插图，并提供过滤使用的诊断指南。

微阵列分析的基本原则是一行中的值是可比较的，但不是行之间的值。这是因为与每行相关联的探针具有引入行特异性偏差的不同特征 - 与第二行中相同样品的值相比，第一行中的值可合理地指示更多，更少或相等的基因表达。这意味着@Todd不希望基于行间比较（整个矩阵中的最大值和最小值）进行标准化。相反，varFilter计算每行（四分位间行范围）的可变性度量，并选择具有最大可变性的分数（var.cutoff参数）。

varFilter定义的快速峰值表明，对于行方式可变性var.func和（单个）分位数var.cutoff的某些度量，这通常不会比这更棘手。

vars <- apply(m, 1, var.func)
m[vars > quantile(vars, var.cutoff), ]

Answer 3

我不是统计学家，所以我不知道是否有一般方法来解决这个问题。对我来说，如果你以长格式重塑数据，问题会更简单。

library(reshape2)
dat.m <- melt(dat)
dat.m$value <- as.numeric(dat.m$value)
head(dat.m)
            ID variable value
1 ILMN_1762337  sample1  7.86
2 ILMN_2055271  sample1  5.72
3 ILMN_1736007  sample1  3.82
4 ILMN_2383229  sample1  6.34
5 ILMN_1806310  sample1  6.15
6 ILMN_1653355  sample1  7.01

然后对于每个变量，您执行以下操作：

使用分位数计算限制
去除不符合条件的基因。

您可以使用ddply中的plyr：

res <- ddply(dat.m,.(variable),function(x){
  ## compute limits for each sample
  z <- x$value
  qq <- quantile(z, probs = c(0.2,0.8))
  ## keep only genes with high or low variance
  dd <- x[z < qq[1] | z > qq[2],]
})
## return to the wide format
acast(res,ID~variable)

            sample1 sample2 sample3 sample4 sample5 sample6
ILMN_1653355    7.01      NA    6.62      NA    4.77      NA
ILMN_1705025      NA    6.68    6.80    6.85    8.35    4.15
ILMN_1736007    3.82    6.48      NA    7.13    8.20    4.06
ILMN_1762337    7.86      NA    4.89      NA      NA      NA
ILMN_1806310      NA      NA      NA    5.22    4.59      NA
ILMN_1814316      NA      NA      NA      NA      NA    7.20
ILMN_2055271    5.72    4.29    4.64    5.00      NA    8.02
ILMN_2383229      NA    4.34      NA      NA      NA      NA

编辑，如果您希望整个矩阵的20％和80％截止值不仅适用于每个单独的样本，则计算ddply之外的qq

   qq <- quantile(dat.m$value, probs = c(0.2,0.8))

然后你评论相应的行，如下所示：

res <- ddply(dat.m,.(variable),function(x){
  z <- x$value
  ## keep only genes with high or low variance
  dd <- x[z < qq[1] | z > qq[2],]
})

PS这里的数据是：

dat <- read.table(text='         ID    sample1 sample2 sample3 sample4 sample5 sample6
ILMN_1762337    7.86    5.05    4.89    5.74    6.78    6.41
ILMN_2055271    5.72    4.29    4.64    5.00    6.30    8.02
ILMN_1736007    3.82    6.48    6.06    7.13    8.20    4.06
ILMN_2383229    6.34    4.34    6.12    6.83    4.82    5.57
ILMN_1806310    6.15    6.37    5.54    5.22    4.59    6.28
ILMN_1653355    7.01    4.73    6.62    6.27    4.77    6.12
ILMN_1705025    6.09    6.68    6.80    6.85    8.35    4.15
ILMN_1814316    5.77    5.17    5.94    6.51    7.12    7.20
ILMN_1814317    5.97    5.97    5.97    5.97    5.97    5.97
ILMN_1814318    5.97    5.97    5.97    5.97    5.97    5.97
ILMN_1814319    5.97    5.97    5.97    5.97    5.97    5.97',header=TRUE)

R，基于方差截止的滤波器矩阵

3 个答案: