常见生信分析
转：https://mp.weixin.qq.com/s/fe9aZsgb-2U_s9Nvm4ImkA
内容概览
文章主要分为以下几个部分：
- TCGA数据挖掘
- GEO数据库挖掘
- 单细胞全流程数据分析
- 空间转录组分析
- 多组学整合分析
- 影像组学分析
- 医学临床数据库介绍
- 孟德尔随机化分析
1. TCGA数据挖掘
常见挖掘方向
- 基因表达差异分析（RNA-seq）
- 目标：筛选癌症与正常组织间表达显著差异的基因（DEGs）。
- 工具：
edgeR、DESeq2、limma
- 突变分析（SNV、CNV）
- 目标：找出高频突变基因或关键驱动基因。
- 工具：
maftools（R包）
- DNA甲基化分析
- 目标：挖掘异常甲基化调控机制。
- 工具：
ChAMP、minfi
- 生存分析
- 目标：找出生存相关基因或临床指标。
- 工具：
survival、survminer
- 免疫浸润分析
- 目标：评估肿瘤微环境中免疫细胞种类与丰度。
- 工具：
CIBERSORT、xCell、TIMER
- 临床特征相关性分析
- 目标：评估基因表达/突变与TNM分期、分级等临床指标的关系。
- ceRNA网络构建
- 目标：挖掘lncRNA-miRNA-mRNA调控轴。
TCGA数据获取方式
- 通过R包自动获取
- 工具：
TCGAbiolinks - 示例代码：
library(TCGAbiolinks) query <- GDCquery(project = "TCGA-BRCA", data.category = "Transcriptome Profiling", data.type = "Gene Expression Quantification", workflow.type = "HTSeq - Counts") GDCdownload(query) data <- GDCprepare(query)
- 工具：
- 通过UCSC Xena浏览器下载
- 网站：UCSC Xena
- 特点：提供统一格式的表达矩阵、突变、临床数据等。
- 通过GDC Portal
- 官网：GDC Portal
- 特点：可下载原始测序数据（需认证）或标准化数据。
常用R包/工具推荐
- 数据下载：
TCGAbiolinks - 差异分析：
DESeq2、edgeR - 生存分析：
survival、survminer - 突变分析：
maftools - 免疫分析：
CIBERSORT、TIMER - 富集分析：
clusterProfiler、enrichplot - 网络构建：
WGCNA、miRcode、StarBase
常见分析流程举例（RNA-seq + 生存）
- 下载表达数据（
TCGAbiolinks） - 标注癌症组与正常组
- 差异表达分析（
DESeq2） - 提取高低表达样本，分组
- 使用
survival包做KM生存分析，评估其对预后影响 - 使用
clusterProfiler进行富集分析 - 可选构建调控网络或免疫细胞关联分析
示例数据结构（来自TCGA-BRCA）
- 表达矩阵：
counts或TPM，行为基因，列为样本 - 临床数据：包含
age、gender、stage、days_to_death等 - 突变数据：
MAF格式 - 甲基化数据：beta值矩阵
2. GEO数据库挖掘
挖掘目标分类
- 诊断模型：鉴别肿瘤与正常、病人与健康、疾病亚型
- 预后模型：预测生存时间、复发、死亡（通常结合临床信息）
- 分型研究：基于表达谱对患者亚型分类
- 标志物筛选：找出差异表达/关键调控基因用于疾病解释
数据获取方式
- 通过R语言获取
- 工具：
GEOquery - 示例代码：
library(GEOquery) gse <- getGEO("GSEXXXXXX", GSEMatrix = TRUE) exprSet <- exprs(gse[[1]]) phenoData <- pData(gse[[1]])
- 工具：
- 通过GEO网站下载
- 网站：GEO
常规流程（以表达谱为例）
- 数据预处理
- 表达矩阵标准化（如log2转换、去除空值）
- 样本信息整理（分组信息，如tumor vs normal）
- 示例代码：
exprSet <- log2(exprSet + 1) exprSet <- na.omit(exprSet)
- 差异表达分析（诊断/特征基因候选）
- 示例代码：
library(limma) group <- factor(c(rep("Normal", X), rep("Tumor", Y))) design <- model.matrix(~0 + group) colnames(design) <- levels(group) fit <- lmFit(exprSet, design) contrast.matrix <- makeContrasts(Tumor-Normal, levels=design) fit2 <- eBayes(contrasts.fit(fit, contrast.matrix)) deg <- topTable(fit2, adjust="fdr", number=Inf)
- 示例代码：
- 功能富集分析（诊断/预后相关通路）
- 示例代码：
library(clusterProfiler) library(org.Hs.eg.db) gene_list <- deg$logFC names(gene_list) <- deg$ENTREZID ggo <- enrichGO(gene = names(gene_list), OrgDb = org.Hs.eg.db, ont = "BP", pAdjustMethod = "BH", pvalueCutoff = 0.05)
- 示例代码：
- 诊断模型构建（例如ROC分析）
- 示例代码：
library(pROC) roc_obj <- roc(group, exprSet["GENE_SYMBOL", ]) plot(roc_obj) auc(roc_obj) - 多个基因可用
logistic regression建模：model <- glm(group ~ GENE1 + GENE2 + GENE3, family = binomial(), data = df)
- 示例代码：
- 预后模型构建（如Cox模型）
- 示例代码：
library(survival) library(survminer) cox_model <- coxph(Surv(OS_time, OS_status) ~ GENE1 + GENE2, data = df) summary(cox_model) fit <- survfit(Surv(OS_time, OS_status) ~ riskGroup, data = df) ggsurvplot(fit, data = df)
- 示例代码：
LASSO用于诊断/预后基因筛选
- 示例代码：
library(glmnet) x <- as.matrix(df[, gene_cols]) y <- Surv(df$OS_time, df$OS_status) # 或 binary 分组 fit <- cv.glmnet(x, y, family="cox", alpha=1) coef <- coef(fit, s="lambda.min") selected_genes <- rownames(coef)[which(coef != 0)]
可视化工具建议
- 热图：
pheatmap、ComplexHeatmap - PCA/聚类：
factoextra、ggfortify - 富集分析图：
enrichplot - KM生存曲线：
survminer - ROC曲线：
pROC、timeROC
常见公开工具平台（辅助GEO挖掘）
- GEO2R：GEO官方在线差异分析
- UALCAN：TCGA表达/临床分析平台
- TIMER：免疫细胞浸润分析
- GEPIA2：TCGA/GTE表达、生存分析
- Kaplan-Meier Plotter：生存分析（GEO+TCGA数据）
3. 单细胞全流程数据分析
单细胞RNA-seq全流程分析步骤概览
- 数据读取与预处理
- 工具：
Seurat、Matrix
- 工具：
- 质控过滤
- 指标：Mito%、nFeature、nCount
- 归一化、寻找高变基因
- 工具：
NormalizeData、FindVariableFeatures
- 工具：
- PCA降维
- 工具：
RunPCA
- 工具：
- 聚类
- 工具：
FindNeighbors、FindClusters
- 工具：
- tSNE/UMAP可视化
- 工具：
RunUMAP或RunTSNE
- 工具：
- marker基因识别
- 工具：
FindAllMarkers
- 工具：
- 细胞注释（自动/手动）
- 工具：
SingleR、CellMarker
- 工具：
- 差异分析 & 富集分析
- 工具：
DESeq2、clusterProfiler
- 工具：
- 发育轨迹分析（伪时序）
- 工具：
Monocle3、Slingshot
- 工具：
- 多样本整合/去批次效应
- 工具：
Harmony、Seurat::IntegrateData
- 工具：
4. 空间转录组分析
空间转录组分析全流程概览
- 数据读取（10x/GEO/自定义）
- 工具：
Seurat、STutility、SpatialExperiment
- 工具：
- 空间可视化与质控
- 工具：
SpatialFeaturePlot、SpatialDimPlot
- 工具：
- 标准化与变异基因检测
- 工具：
SCTransform、FindVariableFeatures
- 工具：
- 空间聚类分析
- 工具：
FindClusters、RunPCA、RunUMAP
- 工具：
- Marker基因识别
- 工具：
FindAllMarkers、SpatialFeaturePlot
- 工具：
- 富集分析（GO/KEGG）
- 工具：
clusterProfiler
- 工具：
- 空间注释（与单细胞整合）
- 工具：
Seurat anchor-based integration
- 工具：
- 高级：空间邻域/通信/拟时序
- 工具：
Giotto、CellChat、Monocle3
- 工具：
进阶分析方向
- 空间邻域分析：
Giotto、Squidpy (Python) - 空间细胞通讯：
CellChat、NicheNet - 空间轨迹（拟时序）：
Monocle3、PAGA - 空间多样本整合：
Seurat、Harmony、Scanorama - 空间免疫微环境评估：
SPOTlight、CIBERSORTx
5. 多组学整合分析
多组学整合分析全流程
- 数据预处理
- 目的：批量读取、标准化、过滤
- 工具：
limma、edgeR、MSstats、MetaboAnalystR
- 差异分析
- 目的：分别找出转录、蛋白、代谢的差异分子
- 工具：
DESeq2、limma、MSstats、MetaboAnalystR
- 功能注释
- 目的：富集GO/KEGG通路
- 工具：
clusterProfiler、ReactomePA
- 多组学整合
- 目的：寻找协同变化模式、通路共同激活等
- 工具：
mixOmics、DIABLO、MOFA、iClusterPlus
- 可视化
- 目的：联合通路图、circos图、热图、网络图
- 工具：
ggplot2、ComplexHeatmap、igraph、circlize
数据格式建议
- 转录组：gene × sample表，已归一化
- 蛋白组：proteinID × sample，LFQ/intensity
- 代谢组：metabolite × sample，peak area或浓度
可视化建议
- Circos图：
circlize，用于不同组学重要分子的关联 - 热图：
ComplexHeatmap，用于蛋白/代谢/基因表达模式 - PCA/PLSDA：
mixOmics、ggplot2，用于多组学区分样本分组 - 共表达网络图：
igraph、ggraph，用于识别协同分子模块
6. 影像组学分析
影像组学完整流程
- 数据准备
- 内容：影像数据（DICOM、NIfTI）与ROI标注
- 工具：
3D Slicer、ITK-SNAP、RadiAnt
- 图像预处理
- 内容：重采样、归一化、配准
- 工具：
SimpleITK、PyRadiomics
- 特征提取
- 内容：形状、纹理、强度等上千特征
- 工具：
PyRadiomics
- 特征选择
- 内容：相关性过滤、LASSO、mRMR等
- 工具：
sklearn、statsmodels
- 建模预测
- 内容：分类/回归/生存模型
- 工具：
sklearn、lifelines、xgboost
- 验证评估
- 内容：AUC、C-index、交叉验证
- 工具：
sklearn、matplotlib、pROC
文件准备建议
- CT/MRI/PET图像（DICOM/NIfTI）
- 分割标注（Segmentation，.nii或RTSTRUCT）
- 患者临床数据（CSV），包括ID、诊断分组、生存信息等
可视化建议
- ROC曲线：
matplotlib、sklearn - KM曲线：
lifelines、survminer - 特征热图：
seaborn.heatmap - 放射组学流程图：
graphviz、ppt
主流工具生态
- PyRadiomics：提取影像特征（Python）
- 3D Slicer：图像查看与分割
- ITK-SNAP：半自动分割工具
- SimpleITK：图像预处理（重采样/归一化）
- Radiomics.io：云端分析平台
- MaZda：早期Windows平台，提取影像特征
7. 医学临床数据库
常见医学临床数据库分类
- 癌症相关数据库：TCGA、ICGC、GDC
- 内容：基因、表型、临床信息
- 应用方向：肿瘤诊断/预后/免疫分析
- 普通疾病数据库：GEO、ArrayExpress
- 内容：转录组等芯片/测序数据
- 应用方向：多种疾病（肿瘤/心血管/神经）
- 生存信息数据库：SEER、cBioPortal、OncoLnc
- 内容：随访数据、生存分析
- 应用方向：预后模型构建、生存分析
- 临床影像数据库：TCIA、BraTS
- 内容：影像（CT/MRI）+临床
- 应用方向：影像组学分析
- 蛋白/代谢组数据库：CPTAC、HMDB、PRIDE
- 内容：蛋白质、代谢组信息
- 应用方向：多组学整合
- 临床试验数据库：ClinicalTrials.gov、ChiCTR
- 内容：试验注册与结果
- 应用方向：药物研究、机制挖掘
- 中医药数据库：ETCM、TCMSP
- 内容：中药成分、靶点、临床效应
- 应用方向：中药机制、组学对接
重点数据库简要介绍
- TCGA（The Cancer Genome Atlas）
- 涵盖：33种癌症的基因组、临床、生存等数据
- 官网：TCGA
- 使用方式：下载RNA-seq、mutation、clinical、survival数据，适合生存分析、免疫分析、建模等
- GEO（Gene Expression Omnibus）
- 涵盖：多种疾病的转录组芯片/RNA-seq数据
- 官网：GEO
- 数据形式：系列矩阵 + 临床表型 + 平台注释
- 适用分析：差异表达、聚类、诊断模型构建
- SEER（Surveillance, Epidemiology, and End Results）
- 内容：美国大型肿瘤登记数据库，提供生存、发病率、治疗方式
- 官网：SEER
- 应用方向：长期随访、生存模型、流行病研究
- cBioPortal
- 内容：多种肿瘤的基因突变 + 临床数据，适合网络探索
- 官网：cBioPortal
- 优势：支持可视化探索、基因突变和生存分析结合
- TCIA（The Cancer Imaging Archive）
- 内容：CT、MRI、PET等原始影像 + 临床/生物数据
- 官网：TCIA
- 应用方向：影像组学分析、人工智能建模
临床数据库使用建议
- 建立诊断/预后模型：GEO, TCGA, SEER
- 分析方式：LASSO、Cox、机器学习
- 生存分析：TCGA, OncoLnc, SEER
- 分析方式：KM、Cox、多因素分析
- 多组学整合：TCGA + CPTAC
- 分析方式：表观 + 表达 + 蛋白组
- 影像+组学：TCIA + TCGA
- 分析方式：影像组学、Radiogenomics
- 中医药机制：TCMSP + GEO
- 分析方式：分子对接、功能富集
常用数据分析语言与工具
- 脚本语言：R / Python
- 用途：差异分析、生存建模
- 数据整合：TCGAbiolinks、GEOquery、xenaPython
- 用途：快速获取和预处理
- 临床统计：survival、survminer（R）
- 用途：KM、Cox
- 可视化：ggplot2、matplotlib、heatmap
- 用途：结果图表化
8. 孟德尔随机化分析
孟德尔随机化的基本原理
- 关联性：工具变量（SNP）与暴露变量显著相关
- 独立性：SNP与混杂因素无关
- 排他性：SNP仅通过暴露变量影响结果，不存在其他路径（即无水平多重效应）
常见应用场景
- 环境暴露因果推断：例如，抽烟是否导致肺癌？
- 营养代谢研究：例如，血清维生素D是否与糖尿病风险相关？
- 医疗干预靶点评估：例如，LDL水平与冠心病的因果关系
- 多组学因果链条：例如，DNA甲基化 → 基因表达 → 疾病
常用数据来源
- GWAS Summary Statistics
- 来源：暴露与结果变量均来自大规模GWAS（基因组关联分析）
- 公共资源：GWAS Catalog、IEU OpenGWAS Project、MR-Base
- 暴露变量（exposure）
- 示例：BMI、HDL、LDL、CRP、糖尿病风险评分等
- 结果变量（outcome）
- 示例：各种疾病（心脑血管、肿瘤、神经、免疫等）
常用分析方法（R包）
- IVW（加权平均法）
- 工具：
TwoSampleMR - 适用情况：默认方法，适用于无多重效应
- 工具：
- MR-Egger回归
- 工具：
TwoSampleMR - 适用情况：检测和校正水平多重效应
- 工具：
- 加权中位数法
- 工具：
TwoSampleMR - 适用情况：适用于部分无效工具变量
- 工具：
- MR-PRESSO
- 工具：
MRPRESSO - 适用情况：检测/去除异常SNP（异质性）
- 工具：
- GSMR
- 工具：
GSMR（GCTA工具） - 适用情况：处理LD并检测因果关系
- 工具：
9. 药物靶点孟德尔随机化分析
药物靶点MR的核心逻辑
- 定义：以遗传变异（如影响某蛋白表达或活性的SNP）为工具变量，推断该蛋白或其编码基因表达与某疾病的因果关系
- 应用价值：
- 筛选高可信度的新靶点
- 预测药物副作用
- 判断既有靶点是否值得继续开发
- 避免失败的临床试验投入
分析框架图解
- 示例：
例如：某SNP导致PCSK9蛋白表达减少，同时该SNP与冠心病风险下降相关 → 支持PCSK9是降低冠心病风险的潜在药物靶点。SNP（工具变量） ↓ 影响蛋白表达（或基因表达） ↓ 疾病结局
常用数据来源
- 蛋白水平GWAS（pQTL）
- 来源：如血浆蛋白水平
- 推荐数据库：SCALLOP、Sun et al. 2018
- 基因表达GWAS（eQTL）
- 来源：组织特异表达
- 推荐数据库：GTEx、eQTLGen
- 疾病GWAS
- 来源：常见疾病/表型
- 推荐数据库：GWAS Catalog、IEU OpenGWAS
总结
本文提供了生物信息学入门分析的详细教程，涵盖了从基础的TCGA和GEO数据挖掘，到单细胞RNA-seq、空间转录组、多组学整合、影像组学，以及孟德尔随机化分析等多个方面。每个部分都详细介绍了分析流程、常用工具和示例代码，非常适合生物信息学初学者和研究人员参考学习。