00:00 / 04:49
连播
清屏
智能
倍速
点赞295
00:00 / 03:30
连播
清屏
智能
倍速
点赞401
转录组富集分析|GO、KEGG、GSEA一篇讲透! 做转录组差异分析后,富集分析是连接差异基因与生物学功能的关键一步。但GO、KEGG、GSEA到底怎么选?代码总报错?今天一次性讲清楚👇 🧬 三种富集方法核心区别 🧬 GO富集分析 输入:上下调基因 特点:分三个维度—— 🔹 BP(生物学过程,如细胞周期) 🔹 CC(细胞组分,如细胞核) 🔹 MF(分子功能,如激酶活性) 适合:想知道差异基因主要影响哪些生物功能 🧬 KEGG富集分析 输入:上下调基因 特点:映射到信号通路和代谢通路,看基因参与的具体通路(如PI3K-Akt、MAPK) 适合:想知道差异基因影响了哪些信号转导或代谢网络 🧬 GSEA(基因集富集分析) 输入:全部基因(按logFC从高到低排序) 特点:不设p值/差异倍数阈值,利用全部基因的排序信息,捕捉微弱但协同一致的变化,即使单个基因差异不显著,只要整个基因集偏向顶部或底部就能检出 适合:差异基因较少,或想发现更稳健、更全局的通路变化 📊 结果看图要点 气泡图:横轴GeneRatio(你的基因占比),纵轴通路,颜色=矫正后p值(越红越显著),大小=基因个数 柱状图:横轴基因数,可横向展示 GSEA:看 NES值(正=富集在顶部,负=底部),通常|NES|>1,p<0.05算显著 ⚠️ 新手最易错 输入基因重复 → 报错 ID类型不对 → 无法映射 只看上调基因,忽略GSEA的全基因视角 📌 总结 先用GO/KEGG找出显著通路,再用GSEA验证是否有遗漏的、协同变化的基因集。富集不难,稳住!@DOU+小助手 #生信分析 #细胞实验 #动物实验 #实验室日常 #科研狗的日常
00:00 / 14:43
连播
清屏
智能
倍速
点赞95
00:00 / 05:32
连播
清屏
智能
倍速
点赞90
免疫浸润分析|用CIBERSORT评估肿瘤微环境 肿瘤组织不是只有癌细胞,里面还混着各种免疫细胞、成纤维细胞等。免疫细胞浸润比例与患者预后、药物响应密切相关。今天教你用CIBERSORT算法,从基因表达数据反推22种免疫细胞的相对含量。 🧬 核心原理 利用已知的免疫细胞特征基因矩阵(LM22),结合你的转录组数据(推荐用FPKM或TPM,不要用counts),通过反卷积计算每种免疫细胞的占比。 🔧 实操步骤(R代码) 1️⃣ 数据准备 表达矩阵:行=基因名,列=样本,需未log2处理的FPKM值 注释文件:将Ensembl ID转为基因名,去重取平均值 只保留蛋白编码基因 2️⃣ 分组设置(本例以RRM2基因为例) 提取肿瘤样本中RRM2的表达量 按中位数分为高表达组和低表达组 逆log2还原原始表达值(因为下载的UCSC数据已log2化) 3️⃣ 运行CIBERSORT 需要三个文件放在同一目录:CIBERSORT.R、LM22.txt、你的表达矩阵 运行后得到22种免疫细胞在每个样本中的占比矩阵(最后几列是p值等,可删除) 4️⃣ 可视化 堆叠柱状图:所有样本的免疫细胞组成(样本多时很乱,建议只做展示) 箱线图:将高表达组和低表达组的免疫细胞占比分开对比,添加显著性星号(p<0.05,p<0.01,p<0.001,ns=不显著) 📊 结果解读 箱线图横轴=免疫细胞类型,纵轴=占比,不同颜色代表高/低表达组 星号越多,说明该免疫细胞在两组间的差异越显著 例如:T细胞在高表达组占比更高,提示该基因可能促进T细胞浸润 ⚠️ 常见坑点 表达矩阵不要log2化,CIBERSORT内部会自己处理 基因名必须与LM22中的基因名完全一致(大小写、有无点号) 样本量太少(<10)时结果不可靠 堆叠柱状图样本多时建议只展示部分或改用热图 📌 一句话总结 CIBERSORT是肿瘤免疫浸润分析的经典工具,配合箱线图能直观对比不同分组间的免疫细胞差异。@DOU+小助手 #生信分析 #动物实验 #细胞实验 #实验室日常 #科研狗的日常
00:00 / 11:09
连播
清屏
智能
倍速
点赞40
00:00 / 01:03
连播
清屏
智能
倍速
点赞197
00:00 / 02:51
连播
清屏
智能
倍速
点赞NaN
00:00 / 03:57
连播
清屏
智能
倍速
点赞87
00:00 / 07:16
连播
清屏
智能
倍速
点赞3
00:00 / 01:35
连播
清屏
智能
倍速
点赞10