Dean's blog
0%

理论-DESeq2-normalization

Posted on
Symbols count in article: 3.2k Reading time ≈ 3 mins.

在做基因差异表达分析时，经常会用DESeq2这个包，但一直没有深究其分析的统计流程。因此，在这里记录一下DESeq2校正基因表达的方法 – 比率中值法 (Median of ratios)。

开篇明义，比率中值法考虑的因素是测序深度和文库的RNA组成。

以下我们使用airway数据具体展示比率中值法的校正过程

1
2
3
4
5
6
7
library(airway)
# Airway smooth muscle cells lines RNA-Seq experiment
data("airway")
# randomly sample 5k genes for testing
set.seed(123)
df1 <- as.data.frame(assay(airway)[sample(1:nrow(airway), 5000), 1:4])

比率中值法具体实现如下：

Step 1: 创建假参考样本 （每个基因的几何平均值）

首先，我们为每一个基因创建一个假参考样本(pseudo-reference sample)表达量，这代表理想的基因表达量。该值通过计算每个基因的几何平均值得到

几何平均值：n个数的乘积开n次根

${\displaystyle \left(\prod {i=1}^{n}x{i}\right)^{\frac {1}{n}}={\sqrt[{n}]{x_{1}x_{2}\cdots x_{n}}}}$

1
2
3
gm <- apply(df1, 1, function(x) exp(mean(log(x))))
df1$pseudo <- gm
knitr::kable(head(df1))
SRR1039508 SRR1039509 SRR1039512 SRR1039513 pseudo
ENSG00000260166 0 0 0 0 0.000
ENSG00000266931 0 0 0 0 0.000
ENSG00000104774 1939 1906 2294 1205 1787.806
ENSG00000267583 0 1 0 0 0.000
ENSG00000227581 1 0 0 0 0.000
ENSG00000227317 0 0 0 0 0.000

Step 2: 计算每一个样本相对于参考样本的比值

接着，对于样本的每一个基因，我们计算一个 sample/reference 的比值。

1
2
3
4
5
# step 2: calculates ratio of each sample to the reference
ratios <- df1[, -5]/gm
colnames(ratios) <- paste0('R_',colnames(ratios))
df2 <- merge(df1, ratios, by=0)
knitr::kable(head(df2))

以第一行基因的ratio为例，写出具体计算过程：

Row.names SRR1039508 SRR1039509 SRR1039512 SRR1039513 pseudo R_SRR1039508 R_SRR1039509 R_SRR1039512 R_SRR1039513
ENSG00000000460 60 55 40 35 46.36182 60/46.36182=1.2941683 55/46.36182=1.1863209 40/46.36182=0.8627789 35/46.36182=0.7549315
ENSG00000000971 3251 3679 6177 4252 4209.97390 0.7722138 0.8738772 1.4672300 1.0099825
ENSG00000002919 234 246 298 211 245.28016 0.9540111 1.0029348 1.2149372 0.8602408
ENSG00000003436 4373 4183 5794 3230 4301.42236 1.0166405 0.9724690 1.3469963 0.7509144
ENSG00000004660 95 55 59 35 57.31279 1.6575705 0.9596461 1.0294385 0.6106839
ENSG00000004766 492 413 546 337 439.72831 1.1188727 0.9392163 1.2416758 0.7663823

由于大部分基因不会发生差异表达，所以样本内的ratios应是相当的。

Step 3: 计算每个样本的校正因子

样本内（column-wise）所有比率的中值即为校正因子(normalization factor), 也就是DESeq2 的size factor

1
2
3
4
5
6
7
8
9
10
# step 3: size factor
df2 <- na.omit(df2)

sf1 <- median(df2$R_SRR1039508, na.rm = T)
sf2 <- median(df2$R_SRR1039509, na.rm = T)
sf3 <- median(df2$R_SRR1039512, na.rm = T)
sf4 <- median(df2$R_SRR1039513, na.rm = T)
sfs <- c(sf1, sf2, sf3, sf4)
> sfs
[1] 1.1241342 0.9892460 1.2740402 0.7208434

这里展示一个样本基因比率分布图，红线即为比率的中值

1
2
3
hist(df2$R_SRR1039508, main='sample / pseudo-reference sample', xlab='')
abline(v=median(df2$R_SRR1039508), col='red')

Step 4: 计算normalized coutns

1
2
df1_norm <- t(t(df1[,-5])/sfs)
knitr::kable(head(df1_norm))
SRR1039508 SRR1039509 SRR1039512 SRR1039513
ENSG00000260166 0.0000000 0.000000 0.000 0.000
ENSG00000266931 0.0000000 0.000000 0.000 0.000
ENSG00000104774 1724.8830895 1926.719981 1800.571 1671.653
ENSG00000267583 0.0000000 1.010871 0.000 0.000
ENSG00000227581 0.8895735 0.000000 0.000 0.000
ENSG00000227317 0.0000000 0.000000 0.000 0.000

我们可以与DESeq2的sizefactor对比一下，看看我们算的是否正确

1
2
3
4
5
6
7
8
9
10
# using deseq2
library(DESeq2)

dds <- DESeqDataSetFromMatrix(countData = df1[,-5], colData = colData(airway)[1:4,], design=~dex)
dds <- estimateSizeFactors(dds)
DESeq_SFs <- dds$sizeFactor

sfs == DESeq_SFs
SRR1039508 SRR1039509 SRR1039512 SRR1039513 
      TRUE       TRUE       TRUE       TRUE

以上就是DESeq2计算size factors，以及校正counts的方法。事实上DESeq2在差异分析时并不会真正地用normalized counts进行分析，而是使用raw counts，并将size factor作为其广义线性回归模型（generalized linear model）的一个因子进行考虑。

完。

ref:

https://hbctraining.github.io/DGE_workshop/lessons/02_DGE_count_normalization.html