R语言脚本GO分析 r语言数据分析可视化

基于R语言的数据标准化处理脚本

负向指标：（max-x）/（max-min）其中max为样本数据的最大值，min为样本数据的最小值。这种方法有一个缺陷就是当有新数据加入时，可能导致max和min的变化，需要重新定义。

创新互联长期为成百上千家客户提供的网站建设服务，团队从业经验10年，关注不同地域、不同群体，并针对不同对象提供差异化的产品和服务；打造开放共赢平台，与合作伙伴共同营造健康的互联网生态环境。为青浦企业提供专业的网站设计、网站制作，青浦网站改版等技术服务。拥有10年丰富建站经验和众多成功案例,为您定制开发。

方法一：规范化方法 也叫离差标准化，是对原始数据的线性变换，使结果映射到[0，1]区间。 方法二：正规化方法 这种方法基于原始数据的均值（mean）和标准差（standard deviation）进行数据的标准化。

R语言中有现成的函数，比如scale，可以通过设置scale的参数来实现z_score和中心化的数据标准化，具体参考？scale.当然，可以可以自己写一个规范化函数，如下：数据正态化，目的是稳定方差，直线化，使数据分布正态或者接近正态。

如何从众多go生物学分析中选取出需要的生物过程

1、GO分析有三个过程，GO_CC细胞组分，GO_BP生物过程， GO_MP分析功能，首先转换成 ENTREZID ，然后利用 clusterProfiler 函数。

2、很明显，这些差异的基因必然与功能改变密切相关，例如，比较患病个体与正常个体的组织表达谱，不难想到这些表达显著改变的基因参与了疾病或免疫相关的生物学过程、信号通路等，基因表达水平的失调与疾病肯定密不可分。

3、蛋白质或者基因可以通过ID对应或者序列注释的方法找到与之对应的GO号，而GO号可对于到Term，即功能类别或者细胞定位。 功能富集分析： 功能富集需要有一个参考数据集，通过该项分析可以找出在统计上显著富集的GO Term。

4、进行GO分析时，需要考虑的一个基础因素就是基因的GO注释信息从何处获取。

5、调查是科学探究常用的方法之一，是了解生物种类、生存环境和外部形态等常用的研究方法。调查法一般是在自然的过程中进行的，通过访问、座谈、问卷、测验和查阅书面材料等方式去搜集反映研究对象的材料。

6、GO分为分子功能（Molecular Function)(MF)、生物过程（Biological Process）(BP)、和细胞组成（Cellular Component）(CC)三个部分。

RNA-seq分析(三)DESeq2

1、在shell下写R语言脚本 vim DESeqR ；运行脚本 Rscript DESeqR。 或者进入R，分别执行每行的命令 导出SY14_VSBY474csv所有基因的表格，可用于GSEA差异分析 导出SY14_up.csv，可用于GO、KEGG通路分析。

2、DESeq2和EdgeR都可用于做基因差异表达分析，主要也是用于RNA-Seq数据，同样也可以处理类似的ChIP-Seq，shRNA以及质谱数据。这两个都属于R包，其相同点在于都是对count data数据进行处理，都是基于负二项分布模型。

3、对于RNA-seq raw counts，方差随均值增长。如果直接用size-factor-normalized read counts：counts(dds， normalized=T) 进行主成分分析，结果通常只取决于少数几个表达最高的基因，因为它们显示了样本之间最大的绝对差异。

4、在双末端RNA-seq实验中，有左右两个对应的read来自相同的DNA片段。在进行双末端read进行比对时，来自同一DNA片段的高质量的一对或单个read可以定位到参考序列上。