首先，做这个相关性分析，在这里需要安装几个R包。
/leianuo123/article/details/102613945
https://mp./s?__biz=MzIyMzA2MTcwMg==&mid=2650733008&idx=1&sn=b66e3fd527f99ddf19dcf6c2501e5be3&chksm=f029aa79c75e236f8951b87e17a51dc6a7dfeb555b983d8dc6d5a8c756b3eacc21829f19dc86&cur_album_id=1336402123646631937&scene=190#rd
使用场景
1.已经确定研究的基因，但是想探索他潜在的功能，可以通过跟这个基因表达最相关的基因来反推他的功能，这种方法在英语中称为guilt of association，协同犯罪。
2.我们的注释方法依赖于TCGA大样本，既然他可以注释基因，那么任何跟肿瘤相关的基因都可以被注释，包括长链非编码RNA
BiocManager::install(c("tidyr","dplyr","ggstatsplot"))##加载的数据，就是我们常见的TCGA的表达矩阵，只是需要先将其进行转置。##我们在此用得是自己的一个Test的数据。其格式如下:————————————————
注意，在此处，基因名一定要作为列名，因为后面需用ggstatsplot进行散点图绘制的时候，其需要用到列名中的基因名字。
该数据，列名就是基因名，行名就是样本名。为了缩短数据处理时间，我们在此只取前500列作为后续的实验分析。
自己构建数据 artificial data
#单基因相关性分析#随机函数??runifas.matrix()runif(5*500,min = 0.1,max = 10.5)test3=matrix(runif(5*500,min = 0.1,max = 10.5),byrow = TRUE,nrow=5,ncol = 500,dimnames = list(c(paste0("sample",seq(1,5,1))),c(paste0("gene",seq(1,500,1)))))head(test3)[1:3,1:4]y <- as.numeric(test3[,"gene1"]) ## 本次操作中，选取A1BG基因作为需要分析的单基因，批量求取它与该表达矩阵中其他基因的相关性head(y)colnames <- colnames(test3)cor_data_df <- data.frame(colnames) ##构建这些基因的数据框##利用 for循环来求A1BG与其他基因之间的相关性library（tidyr)library(dplyr)for (i in 1:length(colnames)){test <- cor.test(as.numeric(test3[,i]),y,type="spearman")cor_data_df[i,2] <- test$estimatecor_data_df[i,3] <- test$p.value}names(cor_data_df) <- c("Symbol","correlation","pvalue")head(cor_data_df)##提取p值小于0.05的数据cor_data_sig <- cor_data_df %>% filter(pvalue < 0.05) %>% arrange(desc(abs(correlation)))%>% dplyr::slice(1:500)head(cor_data_sig)#BiocManager::install('ggside')library(ggstatsplot)##利用该包进行绘制相关性的散点图和条形图ggscatterstats(data =as.data.frame(test3), y = gene1, x = gene2,centrality.para = "mean",margins = "both", xfill = "#CC79A7", yfill = "#009E73", marginal.type = "histogram",title = "Relationship between A1BG and SH2D3C")
library(clusterProfiler)#获得基因列表，说明由于我的测试数据质量不是特别好，因此取到的p<0.05的基因只有24条，在此，难以用于GO分析，所以我拿我的全部的基因来做GO分析library(stringr)gene <- str_trim(cor_data_sig$symbol,'both')##这是取出的相关性结果好的情况下gene <- str_trim(Symbol,'both') ##这里Symbol是所有的基因名#基因名称转换，返回的是数据框gene = bitr(gene, fromType="SYMBOL", toType="ENTREZID", OrgDb="org.Hs.eg.db")go <- enrichGO(gene = gene$ENTREZID, OrgDb = "org.Hs.eg.db", ont="all")##将BP,CC,MF 三个GO类别按照ONTLOGY进行分类，将三个组分绘制在一张图上。barplot(go, split="ONTOLOGY")+ facet_grid(ONTOLOGY~., scale="free")##条形图dotplot(go, split="ONTOLOGY")+ facet_grid(ONTOLOGY~., scale="free")##气泡图View(go)
如果觉得《单基因批量相关性分析 TCGA基因相关性分析 单基因批量相关性分析的妙用》对你有帮助，请点赞、收藏，并留下你的观点哦！
