数据挖掘—疾病靶点获取、批量读取差异基因以及Reduce函数的使用

数据挖掘—疾病靶点获取、批量读取差异基因以及Reduce函数的使用

1 疾病靶点获取

数据库分析脓毒症肺损伤的疾病靶点，

获取疾病相关靶点，除了从genecard、omim、disgnet等疾病数据库中搜索，还可以在GEO数据库中检索相关疾病看有无合适的数据集使用。这里记录下在GEO数据库中获取靶点的相关操作。

一般找到合适的数据集后，我们可以拿到基因表达矩阵，做常规的差异基因表达分析，然后把差异基因作为疾病靶点。

比如脓毒症肺损伤，GEO数据库中检索

Sepsis AND (Lung OR Pulmonary) AND "Homo sapiens"[Organism]

我找到了这个数据集GSE237861，数据集的描述如下图，原本打算从count矩阵中挑出来正常组与肺组织组进行差异基因分析。但是发现其给的count矩阵是不完全的（全部的count应该包含82个样本，他上传的数据只有20个样本）

上传的数据只包含这些样本

故退而求其次，拿作者上传的关于肺的每个样本的差异基因（https://www.ncbi.nlm.nih.gov/geo/download/?acc=GSE237861），进行并集操作（为了后续研究拿到足够多的基因，这里取了并集），这里我也疑惑作者单个样本是怎么获取差异基因的。

2 批量读取差异基因

上述单个文件如下图所示

需要对这些文件每个做一下操作，把满足logFC>1或logFC<-1,PValue<0.05的gene_ID拿出来

# 获取每个病人关于肺的差异基因
tmp1 = read.delim("sup/GSE237861_edgeR_all_FDR_0.1_log2FC_1_infected_VS_control_individual_sepsis1.lung.tsv.gz",row.names = 1)
dim(tmp1)
filtered_tmp1 <- tmp1[(tmp1$logFC > 1 | tmp1$logFC < -1) & tmp1$PValue < 0.05, ]
gene_tmp1 <- filtered_tmp1$gene_ID

一个个读取太麻烦，可以循环读取

# 文件路径列表
file_list <- dir("sup/", full.names = TRUE)
# 初始化一个列表，用于存储每个文件的筛选结果
gene_list <- list()
# 循环遍历每个文件
for (file in file_list) {
  # 读取数据
  tmp <- read.delim(file, row.names = 1  
  # 筛选出符合条件的行
  filtered_tmp <- tmp[(tmp$logFC > 1 | tmp$logFC < -1) & tmp$PValue < 0.05, ] 
  # 提取行名作为基因ID
  gene_ids <- filtered_tmp$gene_ID  
  # 使用正则表达式提取文件名中的 sepsis1, sepsis2 等字段
  sepsis_id <- sub(".*(sepsis[0-9]+).*", "\\1", basename(file))  
  # 将基因ID存入列表，以 sepsisX 为键
  gene_list[[sepsis_id]] <- gene_ids
}

# 查看结果
str(gene_list)

最后就拿到了每个样本的差异基因

ps:关于正则表达式的解释

sub(".*(sepsis[0-9]+).*", "\\1", basename(file)) 是用来提取文件名中 sepsis1、sepsis2 等部分的正则表达式。让我们逐步拆解这段代码：

1. sub():是 R 中的一个函数，用于替换字符串中首次匹配到的模式。它接受三个参数：

• 第一个参数是正则表达式模式，用于匹配字符串的一部分。
• 第二个参数是替换字符串，表示我们要用什么来替换匹配到的部分。
• 第三个参数是输入字符串，也就是我们要操作的对象。

1. ".\*(sepsis[0-9]+).\*":这是正则表达式模式，具体结构如下：

• .*：匹配任意字符（除换行符）任意次，这里是用于忽略文件名中的其他部分。
• (sepsis0-9+)：这个部分用括号括起来表示捕获组，意思是我们要捕获并提取以 sepsis开头，后面跟一个或多个数字的字符串。具体解释如下：
  • sepsis：字面匹配字符串 "sepsis"。
  • [0-9]+：匹配一个或多个数字（即 1、2、10 等）。
• .*：再次匹配任意字符，用于忽略文件名中其他部分。

这个模式会从文件名中找到 sepsis1、sepsis2 等部分并将其捕获。

1. "\\1":

• 这是替换字符串，它表示我们要用捕获组的内容来替换匹配到的整个模式。
• \\1：指的是正则表达式中的第一个捕获组（(sepsis[0-9]+)）。在 R 中，\\1 代表第一个括号捕获的内容（即 sepsisX，X 为数字）。

1. basename(file):

• basename() 是 R 的一个函数，用于从路径中提取文件名，不包括路径部分。
• file 是文件的完整路径，通过 basename(file)，我们获取不带路径的文件名。

示例

假设 basename(file) 的结果是 "GSE237861_edgeR_all_FDR_0.1_log2FC_1_infected_VS_control_individual_sepsis3.lung.tsv.gz"，执行代码 sub(".(sepsis0-9+).", "\1", basename(file)) 会得到以下过程：

1. .*：匹配文件名开头任意字符，直到 sepsis。
2. (sepsis[0-9]+)：捕获 sepsis3 。
3. .*：匹配文件名剩余部分。
4. \\1：替换整个文件名为捕获组内容 sepsis3。

最终结果就是 sepsis3，这个值被用作键名。

3 Reduce函数的使用

现在想把gene_list中的每个元素中的基因拿出来，做一个并集的操作，可以直接使用Reduce函数

# 计算所有 sepsis 列表的并集
gene_intersection <- Reduce(union, gene_list)
# 查看交集结果
length(gene_union)

注：

Reduce() 是 R 中一个强大的高阶函数，用于递归地将一个函数应用于一系列数据元素，从而逐步减少数据的维度或聚合数据。Reduce() 可以被视为一种“聚合”操作，它从一个列表或向量中逐步将元素组合在一起。

基本语法

Reduce(f, x)

• f：用于将两个元素组合的函数。这通常是像 +、*、intersect() 等函数。
• x：一个列表或向量，Reduce() 会逐步将列表中的元素组合。

Reduce() 如何工作

Reduce() 会从列表的第一个和第二个元素开始，应用函数 f，然后将结果与第三个元素继续应用，直到处理完整个列表。举例来说，给定一个列表 x = list(a, b, c, d) 和函数 f，Reduce(f, x) 会按以下步骤执行：

1. f(a, b) → 得到结果1
2. f(结果1, c) → 得到结果2
3. f(结果2, d) → 得到最终结果

Reduce() 的例子

1. 简单加法：

# 一个向量
x <- c(1, 2, 3, 4)

# 使用 Reduce 计算累加和
Reduce(`+`, x)

过程:

• 1 + 2 → 3
• 3 + 3 → 6
• 6 + 4 → 10

最终结果为 10。

1. 找交集：

Reduce() 可以递归地找到多个集合的交集。假设我们有多个基因列表，想要找出它们的公共基因（交集）：

# 三个基因列表
list1 <- c("geneA", "geneB", "geneC", "geneD")
list2 <- c("geneB", "geneD", "geneE", "geneF")
list3 <- c("geneB", "geneD", "geneG", "geneH")
# 将基因列表放入一个列表中
gene_lists <- list(list1, list2, list3)
# 使用 Reduce 和 intersect 来找交集
common_genes <- Reduce(intersect, gene_lists)
# 输出交集
common_genes

过程:

• intersect(list1, list2) → 结果是 c("geneB", "geneD")
• intersect(结果, list3) → 结果是 c("geneB", "geneD")

最终得到的交集是 c("geneB", "geneD")，即三个列表中都存在的基因。

Reduce() 的常用场景

• 累积操作：如求和、乘积。
• 递归聚合：如在多个集合之间找到交集、并集、差集。
• 递归应用自定义函数：对列表的元素递归地应用特定的函数。

详细解释 Reduce(intersect, gene_list)

以交集基因为例

gene_intersection <- Reduce(intersect, gene_list)

这个代码做的是：

1. intersect()：用于找出两个向量的共同元素。例如，intersect(a, b) 返回 a 和 b 的交集。
2. gene_list：包含多个 sepsis 列表，每个元素都是一个基因的向量。
3. Reduce(intersect, gene_list)

：会将 intersect()递归地应用于 gene_list，也就是依次找出所有 sepsis列表的交集。

• 第一步：intersect(sepsis1, sepsis2)，找出 sepsis1 和 sepsis2 中的共同基因。
• 第二步：intersect(结果, sepsis3)，找出前面结果与 sepsis3 的共同基因。
• 依次进行，直到遍历完所有 sepsisX 列表。

最终结果是所有 sepsisX 列表的交集，即在每个列表中都存在的基因。