R语言对基因表达量数据RNA-seq做PCA分析
PCA(principal component analysis )主成分分析，可以分析样品之间相关性，确定样品总体上的差异，或者查看是否有批次效应等
输入数据：
代码部分，筛选基因也可以参照另一篇文章，而不一定是选取200个变化最大的基因，R筛选基因：
myfpkm<-read.table("All_gene_fpkm.xls",header=TRUE,comment.char="",sep = "\t",check.names=FALSE,row.names=1)
probesetvar = apply(myfpkm, 1, var) #表达变化大的基因
ord = order(probesetvar, decreasing=TRUE)[1:200] #前200个基因，或者更多
pca = prcomp(t(myfpkm[ord,]), scale=TRUE)
ss=summary(pca)
#绘图：
plot(pca$x[,1:2],col=rep(c(1,2,3,4,1,2,3,4),each=3),pch=rep(c(16,17),each=12))
#或者3D：
library(scatterplot3d)
scatterplot3d(pca$x[,1:3],color=rep(c(1,2,3,4,1,2,3,4),each=3),pch=rep(c(16,17),each=12))
参考文献：https://www.nature.com/articles/nprot.2009.97
更多生物信息课程：https://study.omicsclass.com/index
- 发表于 2018-06-04 15:21
- 阅读 ( 29182 )
- 分类：转录组
