24小时热门版块排行榜

>论坛更新日志 (2457)
>虫友互识 (194)
>导师招生 (134)
>文献求助 (103)
>休闲灌水 (70)
>硕博家园 (53)
>考研 (42)
>论文投稿 (40)
>考博 (35)
>基金申请 (31)
>博后之家 (22)
>无机非金属 (22)
>找工作 (21)
>教师之家 (19)
>公派出国 (18)
>招聘信息布告栏 (16)

返回列表

棉子糖

铁虫 (初入文坛)

MolEPI: 1
应助: 0 (幼儿园)
金币: 75
帖子: 31
在线: 12.3小时
虫号: 2880416

[交流] 教你如何做趋势分析

在实验的设计中，我们经常需要了解基因随时间，温度，药物浓度等变化的表达趋势。当生物体按照一定顺序发生变化或者受到外界环境刺激（如受到不同浓度的化学药物诱导）时，基因表达变化也会呈现趋势特征。

趋势分析

趋势分析(STC, Series Test of Cluster)就是发现基因表达的趋势特征，将相同变化特征的基因集中在一种变化趋势中，从而找到实验变化过程中最具有代表性的基因群，揭示生物样本在变化过程中所特有的规律。

应用场景举例

观察基因随时间的变化是趋势性分析应用较多的场景，下面我们就以此来看看趋势性分析的具体应用。

文章案例
Genes related to the very early stage of ConA-induced fulminant hepatitis: a gene-chip-based study in a mouse model 

相关基因：ACSL1、MPDZ    相关疾病：Liver Failure
样本编号：GSE17184 PMID: 20398290          IF：3.867

这篇文章主要研究爆发性肝炎在早期阶段的病理机制，研究目的在于寻找病变过程中起主导作用的基因群及关键基因。作者采用ConA 诱导的小鼠肝炎模型，选取了0h,1h，3h，6h四个时间点做表达谱分析，用ANOVA筛选得到了1473个差异表达基因（p<0.05，FDR<0.05）。

为进一步筛选出显著变化的基因群，作者用趋势分析将差异基因的表达趋势进行了分门别类，从中得到了10个显著变化的趋势模型（p<0.05）。

图1 小鼠肝炎随时间变化的26个趋势模型，有颜色的代表显著的趋势模型（p<0.05），无颜色的代表不显著，相同颜色代表相似性的表达趋势

并在最显著变化的NO.9和NO.16趋势模型中，用基因共表达网络分析得到了26个核心基因，这些核心基因主要作用于蛋白转运、转录调节、细胞代谢方面。筛选出的核心基因为爆发性肝癌的早期诊断提供了分子依据。

图2 NO.9和NO.16趋势模型中基因的表达情况

趋势分析结果解析

上文作者在做爆发性肝癌的病理机制的研究中，通过趋势性分析来寻找病变过程中起主导作用的基因群。

那上述的趋势模型图具体怎么看呢？
完整的趋势分析结果是怎么的呢？

小编用上述文献中的样本GSE17184在GCBI在线实验室进行趋势分析，具体方案如下，0,1,3,6为时间分组，先对数据进行差异分析(P值<0.01 Q值<0.05),得到了9409个差异基因，再对差异基因进行趋势性分析。

图3 趋势分析方案图（数据GSE17184）

趋势模型总图
趋势分析得到的26个趋势模型（亦称为profile）中，筛选得到12个显著性profile（红色部分），最显著的两个分别为profile10和profile17，profile10和17都在1时无明显变化，随后开始下调/上调。

图4 GSE17184趋势模型总图

四个时间点为何是26种趋势模型？
如何将表达基因匹配到趋势模型中？
又如何判断趋势模型的显著性？

请戳方法论

如何看表达趋势模型呢？选取profile10作为示例。

图5 趋势总图中profile 10

图的正上方，显示趋势模型编号及P值。横坐标表示样本顺序，0、1、2、3分别对应时间点0h,1h，3h，6h。
纵坐标表示基因表达变化幅度，正负号表示上下调。
Profile 10的趋势模型可归纳为（0,0，-1，-2）。

（为什么趋势线都是都从0点开始呢？见下文）。

单个趋势图
趋势总图中的每个profile都对应有各自基因的趋势图。profile10的基因趋势图如下图所示。

图6 单个趋势模型

图的上方（0，0,-1，-2）对应趋势总图中的趋势模型。横坐标表示时间相，纵坐标表示表达变化幅度 log2(V(i)/V(0))，V(i)表示某相的表达值，V(0)表示0点的表达值。这就是为什么趋势线都是从零开始的。每条折线代表样本中的一个基因。

STC分析结果的详细信息可参见表格。

趋势模型总表
趋势总表中罗列了所有显著性趋势模型，红框中的参数表示基因在每个点变化幅度，绿框中为统计检验参数。
图7 趋势模型总表
genes assigned表示在每个趋势模型中的基因个数，gene expected表示置换基因样本顺序分配在这个趋势模型中的基因个数，由此来检验某个趋势模型是否具有统计显著性意义。黄框里是每个趋势模型的基因列表。

单个趋势模型列表
单个趋势模型列表罗列了每个profile中基因在每个时刻点的具体数值。
图8  单个趋势模型列表

STC-GO
在趋势分析中，可通过STC-GO进一步对显著趋势模型中的基因做GO功能分析，看基因群主要集中在哪些功能通路。上图profile10中的基因GO功能分析如下图所示，富集度最高的两个GO功能通路分别是细胞内铜离子转运和钙依赖的细胞基质黏附。

图9 profile 10 GO富集图

趋势分析方法

是否可以自行做趋势分析呢？
俗话说自己动手丰衣足食嘛。

在GCBI在线实验室，零基础照样做分析，只需拖动趋势分析模板即可。还是以上文中的数据GSE17184作为示范案例。
步骤

1、进入GCBI网站的在线实验室 https://www.gcbi.com.cn（注册即可免费使用）

2、建立趋势分析方案

建立了如下趋势分析方案。

图10 方案图

3、选择样本数据。
在GCBI样本库中直接搜索GSE17184或直接搜文献也可获得数据链接，将数据发送至实验室以供后续分析。
图11 样本搜索

根据样本信息在每个时间点选择对应的实验样本。
图12 样本选择

4、设置各模块参数
差异分析 P值<0.05
            Q值<0.05(因多分组，不考虑fold change)
趋势分析  p值<0.05
显著性趋势功能分析（STC-GO）
分析类型：生物过程    p值<0.01，FDR<0.01

5、运行方案
运行几分钟即可得到结果。

就是这么简单明了，趋势分析，拿下了么？

拓展
检测工具
Clariom™ D assays, mouse（曾用名GeneChip® Mouse Transcriptome Assay 1.0）

拓展知识：
三点搞定GEO数据上传
差异基因结果解读
GO和pathway分析及结果解读  视频教程
手把手教你用GSEA做富集图
如何用path-net挑选核心pathway  视频教程
基因共表达网络
芯片Meta分析

链接请见原文 http://college.gcbi.com.cn/blog/877.jhtml

图1 小鼠肝炎随时间变化的26个趋势模型，有颜色的代表显著的趋势模型（p0.05），无颜色的代表不显著，相同颜色代表相似性的表达趋势.png