由 seo library(ChIPseeker)
library(ggplot2)
library(dplyr)
library(org.Mm.eg.db)
require(TxDb.Mmusculus.UCSC.mm10.knownGene)
txdb <- TxDb.Mmusculus.UCSC.mm10.knownGene#TxDb文件
#f <- getSampleFiles()[[4]]#.bed文件,这里用包里的测试数据
DM1 <- "C:\Users\admin\Desktop\sbed\sum\WT_DM1_rmdup_summits.bed"
DM2 <- "C:\Users\admin\Desktop\sbed\sum\WT_DM2_rmdup_summits.bed"
GM1 <- "C:\Users\admin\Desktop\sbed\sum\WT_GM1_rmdup_summits.bed"
GM2 <- "C:\Users\admin\Desktop\sbed\sum\WT_GM2_rmdup_summits.bed"
files <-list(DM1=DM1,DM2=DM2,GM1=GM1,GM2=GM2)
library(devtools)
#install_github("js229/Vennerable",force = TRUE)
#require(Vennerable, character.only = TRUE)
#library(devtools)
#install_github("js229/Vennerable",force = TRUE)
#绘制第1个样本peaks在染色体上的分布
covplot(files[[1]])
#分别绘制不同样本上的peaks分布图
require(GenomicFeatures)
peak1<-GenomicRanges::GRangesList(DM1=readPeakFile(files[[1]]),
DM2=readPeakFile(files[[2]]))
covplot(peak1, weightCol="V5") + facet_grid(chr ~ .id)
peak2<-GenomicRanges::GRangesList(GM1=readPeakFile(files[[3]]),
GM2=readPeakFile(files[[4]]))
covplot(peak2, weightCol="V5") + facet_grid(chr ~ .id)
#关注部分染色体
covplot(peak1, weightCol="V5", chrs=c("chr17", "chr18"), xlim=c(4e7, 5e7)) + facet_grid(chr ~ .id)
covplot(peak2, weightCol="V5", chrs=c("chr17", "chr18"), xlim=c(4e7, 5e7)) + facet_grid(chr ~ .id)
中文telegram的版下载的网址在哪呢
## GRangesList is also supported and can be used to compare coverage of multiple bed files.##GRangesList可用来比较多个bed文件。
peakDM=GenomicRanges::GenomicRangesList(DM1=readPeakFile(files[[1]]),DM2=readPeakFile(files[[2]]))
p=covplot(peakDM)
print(p)
官网telegram的的的最新下载方法
#Peak可视化
peak <-readPeakFile(files[[1]])
##getPromoters函数准备启动子窗口
promoter <- getPromoters(TxDb=txdb, upstream=3000, downstream=3000)
##getTagMatrix函数把peaks比对到启动子窗口上
tagMatrix <- getTagMatrix(peak, windows=promoter)
tagHeatmap(tagMatrix, xlim =c(-3000, 3000), color="red") #一个图
peakHeatmap(files, TxDb=txdb, upstream=5000, downstream=5000, color=rainbow(length(files)))#正确的 有四个图
plotAvgProf(tagMatrix, xlim=c(-3000, 3000),xlab="Genomic Region (5'->3')", ylab = "Read Count Frequency") #结合强度图
#用peakheatmap函数查看多个样本TSS上下游3kb区域内peak的分布情况：
#tagMatrixList <- lapply(files, getTagMatrix, windows=promoter)
#peakHeatmap(tagMatrixList, TxDb=txdb, upstream=3000, downstream=3000, color=rainbow(length(files)))
#peakHeatmap(files, 最新的中文的telegram的下载网站在哪里 TxDb=txdb, upstream=3000, downstream=3000, color=rainbow(length(files)))
##lapply函数进行批量处理
tagMatrixList <- lapply(files, getTagMatrix, windows=promoter)
##conf定义置信区间，facet决定从上到下还是从左往右
plotAvgProf(tagMatrixList, xlim =c(-3000, 3000), conf=0.95, resample=500, facet="row")
#注释主体
x <- annotatePeak(files[[1]], tssRegion=c(-1000, 1000), TxDb=txdb)#x为输出对象
as.GRanges(x) %>% head(5)
y <- annotatePeak(files[[1]], tssRegion=c(-1000, 1000),addFlankGeneInfo = TRUE,flankDistance = 5000,annoDb='org.Mm.eg.db',TxDb=txdb)#x为输出对象
as.GRanges(y) %>% head(5)
##write.table(y,"C:\Users\admin\Desktop\DM1.csv",row.names=FALSE,col.names=TRUE,sep=",")
peakAnno <- annotatePeak(files[[1]], tssRegion =c(-3000, 3000),TxDb=txdb, annoDb="org.Hs.eg.db")
plotAnnoPie(peakAnno)
peakAnnoList <- 官方的最新版telegram下载的网站 lapply(files, annotatePeak,
TxDb =txdb,tssRegion=c(-3000, 3000))
plotAnnoBar(peakAnnoList)
####附加功能
'''
library(clusterProfiler)
##另外，之前的功能注释，只是注释一个蛋白ChIP峰，其实也可以多个ChIP实验进行比较：
genes = lapply(peakAnnoList, function(i) as.data.frame(i)$geneId)
names(genes) = sub("_", "
", names(genes))
compKEGG <- compareCluster(geneCluster = genes,
data=?
fun = "enrichKEGG",
pvalueCutoff = 0.05,
pAdjustMethod = "BH")
dotplot(compKEGG, showCategory = 15, title = "KEGG Pathway Enrichment Analysis")
'''
###
##以上就是ChIPseeker的全部可视化功能了，下面画个不同ChIP实验的峰的重叠图（韦恩图）就结束了。
genes= lapply(peakAnnoList, function(i) as.data.frame(i)$geneId)
vennplot(genes,by="gplots")
vennplot(genes[1:4],by="Vennerable") #注意这里没有"Vennerable"包/函数。我没安装上。所以画不出来，画出来后应该是彩色的。
#ID转换 获取基因名字
s.SYMBOL<- bitr(z$geneID, fromType="ENTREZID", toType= "SYMBOL",OrgDb="org.Mm.eg.db")
head(s.SYMBOL)
DM1.SYMBOL<- bitr(genes$ DM1, fromType="ENTREZID", toType= "SYMBOL",OrgDb="org.Mm.eg.db")
head(DM1.SYMBOL)
DM2.SYMBOL<- bitr(genes$ DM2, fromType="ENTREZID", toType= "SYMBOL",OrgDb="org.Mm.eg.db")
head(DM2.SYMBOL)
GM1.SYMBOL<- bitr(genes$ GM1, fromType="ENTREZID", toType= "SYMBOL",OrgDb="org.Mm.eg.db")
head(GM1.SYMBOL)
GM2.SYMBOL<- bitr(genes$ GM2, fromType="ENTREZID", toType= "SYMBOL",OrgDb="org.Mm.eg.db")
head(GM2.SYMBOL)中文telegram的版地址在哪呢
#####go富集合和kegg富集
library(DOSE)
#GO富集分析
ego_cc <- enrichGO(gene = DM2.SYMBOL[,1], #使用entrezID作为输入
OrgDb=org.Mm.eg.db,
ont = "CC",
pAdjustMethod = "BH",
minGSSize = 1,
pvalueCutoff = 0.05,
qvalueCutoff = 0.05,
readable = TRUE
)
barplot(ego_cc, showCategory=15, title="GO_Enrichment") #条状图，按p从小到大排的
dotplot(ego_BP,title="EnrichmentGO_CC_dot") #点图，按富集的数从大到小的
#write.table(as.data.frame(ego_cc@result),file="…….test_CC.txt",sep=" ")
#KEGG富集分析
kk <- enrichKEGG(gene = geneEntrezID[,2],
organism ="mouse",
pvalueCutoff = 0.05,
qvalueCutoff = 0.01,
minGSSize = 1,
use_internal_data =FALSE
)
# write.table(as.data.frame(kk@result), file="test_kk.txt",sep=" ")
dotplot(kk, showCategory = 15, title = "KEGG Pathway Enrichment Analysis")
#下面是另外一个版本的,这个命令是人的数据可以运行
##另外，之前的功能注释，只是注释一个蛋白ChIP峰，其实也可以多个ChIP实验进行比较：
telegram官网的最新版下载地址在哪呢 genes = lapply(peakAnnoList, function(i) as.data.frame(i)$geneId)
names(genes) = sub("_", "
", names(genes))
compKEGG <- compareCluster(geneCluster = genes,
fun = "enrichKEGG",organism="mmu",
pvalueCutoff = 0.05,
pAdjustMethod = "BH")###这个命令是人的数据可以运行##小鼠的要加上mmu才行，默认是人的
dotplot(compKEGG, showCategory = 15, title = "KEGG Pathway Enrichment Analysis")
compGO <- compareCluster(geneCluster = genes,
fun = "enrichGO",OrgDb='org.Mm.eg.db',
pvalueCutoff = 0.05,
pAdjustMethod = "BH")###这个命令是人的数据可以运行##小鼠的要加上mmu才行，默认是人的
dotplot(compGO, showCategory = 15, title = "GO Enrichment Comparison")
plotDistToTSS(peakAnno,
title="Distribution of transcription factor-binding loci
relative to TSS")
plotDistToTSS(peakAnnoList)
genes <- lapply(peakAnnoList, function(i)
as.data.frame(i)$geneId)
vennplot(genes[1:4])
#######part2
##由于某些注释重叠，因此用户可能希望查看具有重叠的完整注释，这可以通过vennpie功能部分解决。
vennpie(peakAnno)
##另外用upsetR可以查看完整注释和重叠
upsetplot(peakAnno)
##两张图可以结合在一起
upsetplot(peakAnno, vennpie=TRUE) #此图老报错说我Rstudio画板太小。。。。
## TF结合位点相对于TSS的可视化分布
## 前面的annotatePeak已经计算了从峰（结合位点）到最近基因的TSS的距离。接下来可以用plotDistToTSS函数可视化其分布。
#plotDistToTSS(peakAnno,
# title="Distribution of transcription factor-binding loci
relative to TSS")
## 从下图可以看出20%多的peaks（结合位点）离邻近基因的TSS距离小于1kb，而50%的结合位点离TSS的距离大于100kb。
##说实话这几个分布图，我很难理解其意义，如何从图中找出此图的目的，及作为实验研究的切入点，我感到困惑，还需多看文献。
##一旦获得带注释的最近基因，我们就可以通过整合生物本体论提供的生物学知识，进行功能富集分析，以鉴定这些基因中的主要生物学主题。例如例如，GO将基因注释为生物过程、分子功能和细胞成分。KEGG将基因注释为途径，DO将基因与人类疾病联系起来，而Reactome则将基因注释为途径和反应。下面的例子是以Reactome进行演示，其余GO、KEGG、DO亦可。
#BiocManager::install('ReactomePA')
#library(ReactomePA)####这个是人类的才有用
##注意，enrichPathway是ReactomePA包里的一个函数，因此富集的是Reactome，而非KEGG。
#pathway1 <- enrichPathway(as.data.frame(peakAnno)$geneId)
#head(pathway1, 2)
#dotplot(pathway1)
###用测序片段进行功能富集！！此处的原理类似seq2pathway这个包，详细情况可以去Y叔的公众号看一下
gene <- seq2gene(peak, tssRegion = c(-1000, 1000), flankDistance = 3000, TxDb=txdb)
pathway2 <- enrichPathway(gene)
head(pathway2, 2)
###前面的“plotAvgProf”和“tagHeatmap”函数可以接受tagMatrix文件并可视化ChIP实验。而“plotAvgProf2”和“peakHeatmap”可以接受bed文件，并作同样的工作。
# promoter <- getPromoters(TxDb=txdb, upstream=3000, downstream=3000)
# tagMatrixList <- lapply(files, getTagMatrix, windows=promoter)
##
## to speed up the compilation of this vigenette, we load a precaculated tagMatrixList
#data("tagMatrixList")
plotAvgProf(tagMatrixList, xlim=c(-3000, 3000))
#读入具体文件
DM1bed <- readPeakFile(DM1)
DM1V5<-DM1bed@elementMetadata@listData$V5
DM2bed <- readPeakFile(DM2)
DM2V5<-DM2bed@elementMetadata@listData$V5
GM1bed <- readPeakFile(GM1)
GM1V5<-GM1bed@elementMetadata@listData$V5
GM2bed <- readPeakFile(GM2)
GM2V5<-GM2bed@elementMetadata@listData$V5
pcagmdm <- list(DM1V5=DM1V5,DM2V5=DM2V5, GM1V5=GM1V5,GM2V5=GM2V5)
#package ggbiplot
#install.packages("devtools", repos="http://mirror.lzu.edu.cn/CRAN/") #指定镜像
#library(devtools)
#install_github("vqv/ggbiplot",force=T)
library(ggbiplot)
#用prcomp函数进行PCA分析，需要对数据进行scale即均一化。
pcagmdm.pca <- prcomp(pcagmdm, scale. = TRUE)
summary(pacgmdm.pca)