[python生物信息学]Python从零开始第五章生物信息学一、提取差异基因

[python生物信息学]Python从零开始第五章生物信息学一、提取差异基因

目前来说，做生物信息学的人越来越多，但是我觉得目前而言做生信的主要有三类人：

• 老本行是做实验的，做生信可能是为了辅助研究或者是为了发paper（有非常多的临床生选择趟生信这波水）
• 主要是做生信的，主要涵盖高通量测序数据分析，组学数据分析等等，专门从事生物学数据分析的这群人，其大部分也是本科生物狗作为强大的生力军，以调包写R，python为主。那么这群人就要熟悉看各种包的tutorial以及如何进行常规的数据的处理和分析等等。那么其实这群人，我个人认为对python的编程要求不是很高，在coursera先上两门课程，然后照着参考书在项目中练练就熟络了。
• 也是做生信的，但是主要以写包为主，什么意思？就是以开发算法供给第二类人用，做这部分工作的人需要具有良好的数理基础，所以一般大部分都是本科属于物理，数学等理工科的人在做这部分工作。当然对编程也提出较高要求。
• 我入门生物信息学是通过R语言入门的，但是接触到了python，这个也是目前用户数量数一数二的语言。python去做生信得优点是①过程更加直观，因为常见的R包功能一般已经封装好了，直接应用就可，虽然足够简单友好，但是不利于长期学习②基因组数据一般比较大，python速度一般比R快。
  

下面我就记录一个通过python做生信分析的流程。
使用的数据集是GSE5583，来自于2006年的基因芯片结果，该芯片目的是提取野生型和HDAC1小鼠胚胎干细胞用于Affymetrix微阵列上的差异RNA。

导入包

1. %clear
   
2. %reset -f
   
3. # In[*]
   
4. import seaborn as sns
   
5. import matplotlib.pyplot as plt
   
6. %matplotlib inline
   
7. import os
   
8. import numpy as np
   
9. import pandas as pd
   
10. os.chdir('D:\\train')
    
11. from scipy import stats

复制代码

导入数据

1. # In[*]
   
2. data = pd.read_table("http://ahmedmoustafa.io/notebooks/GSE5583.txt",
   
3.                      header = 0,
   
4.                      index_col = 0)
   
5. data.head()

复制代码

Out[27]:
           WT.GSM130365  WT.GSM130366      ...       KO.GSM130369  KO.GSM130370
100001_at          11.5           5.6      ...               36.0          42.0
100002_at          20.5          32.4      ...               14.4          22.9
100003_at          72.4          89.0      ...              130.1          86.7
100004_at         261.0         226.2      ...              447.3         288.1
100005_at        1086.2        1555.6      ...             1365.9        1436.2

每一行是一个基因，每一列是一个样本，这也是比较经典的芯片数据集

查看数据维度

1. # In[*]
   
2. # Check the dimension of the loaded data (rows & columns)
   
3. data.shape
   
4. (12488, 6)
   
5. # In[*]
   
6. # Number of rows
   
7. number_of_genes = len(data.index)
   
8. print(number_of_genes)\

复制代码

12488

总共12488个基因，6个样本。

标准化
这一步是标准化，使用的是常见的log2（）标准化

1. # In[*]
   
2. data2 = np.log2(data+0.0001)
   
3. data2.head()

复制代码

Out[30]:
           WT.GSM130365  WT.GSM130366      ...       KO.GSM130369  KO.GSM130370
100001_at      3.523575      2.485453      ...           5.169929      5.392321
100002_at      4.357559      5.017926      ...           3.848007      4.517282
100003_at      6.177920      6.475735      ...           7.023478      6.437962
100004_at      8.027907      7.821456      ...           8.805099      8.170426
100005_at     10.085074     10.603256      ...          10.415636     10.488041

绘制盒须图

1. # In[*]
   
2. # Boxplot of each microarray
   
3. plt.show(data2.plot(kind = 'box', title = 'GSE5583 Boxplot', rot = 90))

复制代码

这一步目的是查看不同样本之间是否有总体差异。

1. # Density
   
2. plt.show(data2.plot(kind = 'density', title = 'GSE5583 Density'))

复制代码

可以看出样本之间没有总体差异，可以做差异分析。

1. # In[*]
   
2. # The mean of expression of the wt samples for each gene (row)
   
3. wt = data2.loc[:, 'WT.GSM130365' : 'WT.GSM130367'].mean(axis = 1)
   
4. wt.head()
   
5. 
   
6. # In[*]
   
7. # The mean of expression of the ko samples for each gene (row)
   
8. ko = data2.loc[:,'KO.GSM130368':'KO.GSM130370'].mean(axis = 1)
   
9. ko.head()

复制代码

查看基因差异的差异倍数fold分布

1. # In[*]
   
2. fold = ko - wt
   
3. 
   
4. 
   
5. # Histogram of the fold-change
   
6. plt.hist(fold)
   
7. plt.title("Histogram of fold-change")
   
8. plt.show()

复制代码

查看基因差异的P值分布

1. from scipy import stats
   
2. 
   
3. pvalue = []
   
4. for i in range(0, number_of_genes):
   
5.     ttest = stats.ttest_ind(data2.ix[i,0:3], data2.ix[i,3:6])
   
6.     pvalue.append(ttest[1])
   
7. 
   
8. # Histogram of the p-values
   
9. plt.hist(-np.log(pvalue))
   
10. plt.title("Histogram of p-value")
    
11. plt.show()
    

复制代码