生信分析工具-R2

疫情期间，很多小伙伴不能去实验室做实验，没有数据，没有图表，心里空落落的~

今天，介绍一个强大的网站，没有实验一样可以搞科研，利用组学大数据看看你心爱的那个蛋白、基因可能参与哪些过程吧！

R2：https://hgserver1.amc.nl/cgi-bin/r2/main.cgi，该网站提供了大量转录组数据集，可以从基因差异表达，相关通路，生存分析等多种层面开展肿瘤信息学基础分析。

TP53是著名的抑癌基因，对于各种类型癌症发生发展发挥重要功能。但是，除了已知的细胞周期等过程外，TP53在肝癌中是否还影响其他过程呢？这里，我们以“TP53在肝癌中相关功能”为例，说明R2网站的用法。

步骤1. 选数据集和方法

图1

点击Change Dataset，网站提供了大量的组学数据集，用户根据需要进行筛选，选择需要的数据集，这里我们选择来源于TCGA数据库的肝癌数据集。

图 2

点击View a Gene，下拉框中选择需要的分析方法，为了推测TP53参与调控的其他生物学过程，这里我们选择“Find correlated genes with a single gene”，通过相关性分析识别TP53相关的基因集合；

图3

第4栏Gene输入基因名称: TP53

图 4

点击下方“Next”进入下一步

步骤二：参数选择

图 5

最简单粗暴的方式就是先保留默认值，不进行任何改动；

其中，值得注意的是，Statistics栏里面默认是Use R

p-value, Yes, 这里我们也可以选择No，然后对应设定相关系数阈值为0.3（系统默认是0.5）；

图 6

Gene Filters下方GeneCategory（见上图）可以根据研究需要仅仅选取感兴趣的目标基因进行分析，例如当你对你输入的基因可能相关的信号通路感兴趣时，可以选择“Signal transduction”，若对输入基因是否和药物靶标相关，则可以选择“drug target”, 诸如此类。当然，当你完全迷茫，漫无目的时，就简简单单选择“All”。这里我选择“ALL”。

类似地，在KEGG Pathway下方可以选择你感兴趣的通路，例如“Oxidative phosphorylation“。注意，系统对你GeneCategory及KEGG Pathway等Filter的选择会进行交集处理，因此我建议当进行自定义选择时，仅仅就其中一项进行选择，其他默认选择“ALL”。

步骤三：看结果，下图给出了选定肝数据集中TP53与哪些基因相关。

图 7

上述结构是与你输入的兴趣基因TP3相关的，相关系数绝对值大于0.3的基因。通常，一个输入基因相关的基因还是蛮多的。

对于这一系列基因，我们可以采用通路富集分析、相互作用网络分析等方式进行功能描述。

R2贴心的提供了这些小工具。

接下来，就可以利用右侧列出的小工具进行下一步分析啦！

选择右侧“Gene set analysis”，

图 8

通路富集分析，根据需要选择参数，其中r-min, r-plus代表负相关和正相关，可以单独选择也可以全都选择（系统默认均未选取时代表二者都选择）。

结果如下，相关通路包括： Wnt signaling pathway, Adipocytokine signaling pathway, B cell receptor pathway 

图9

其中Genelist中红色标注基因与输入基因间负相关，绿色则表示正相关；

点击通路对应的链接，还可以对每个通路的结果进行可视化展示：

例如，Adipocytokine signaling pathway通路中与TP53相关基因:

图 10

接下来，我们想继续探索TP53与PPARA之间的相关性，回到R2网站主页，在分析方法栏选择“Correlated 2 Genes”.

图11

点击“Next”进入参数设定界面，其中Graphics下面的Graphtype可以选择“XY-plot”;

图 12

结果以散点图的形式给出该数据集中TP53与PPARA间的相关性；

图12

为了体现线性相关程度，还可以在下方绘图选项中增加一条拟合直线；

图 13

然后，点击“Adjust Settings”,稍等片刻，出结果:

图 14

该结果说明随着TP53表达量的增加，PPARA的表达量显著下降，暗示着两者间负调控关系；

上述结果是单一数据集的，可能说服力不够，这时我们可以利用多数据集的分析。

回到主页，选项设定如下:

图 15

R2功能很是强大，具体的小伙伴们可以参考OnlineTutorial：

图 16

R2提供了丰富的生物信息学工具，不需要下载数据，不需要写代码，轻松进行数据分析，为你的研究添砖加瓦。

最后，衷心感谢R2开发者提供了如此功能丰富又免费的软件啊！