多维组学通路分析R包ActivePathways的使用方法及Cytoscape绘制网络图的实用教程

导语

之前我们介绍了一项整合多维组学通路分析的工作ActivePathways，能够在多个数据集中识别到显著富集的通路，包括那些在单个数据集中不明显的通路。今天来介绍一下这个R包的使用方法和使用输出文件进行Cytoscape绘制网络图。

下面这个图就是ActivePathways工作中对乳腺癌样本分析的绘图，下面就教大家怎样进行数据分析以及绘制这种节点为饼图的网络图~

R包介绍

ActivePathways的输入文件只需要两类，一个是p-values（之前我们介绍过，这里的P值可以是差异基因表达、基因必要性、突变或拷贝数变异负荷等的显著性P值）的数值型矩阵（该矩阵不能包含缺失值），另一个文件是一个GMT格式的基因集。

R包中示例文件：

（1）Adenocarcinoma_scores_subset.tsv

关于该文件中NA值，在下面R包程序中有做处理

（2）hsapiens_REAC_subset.gmt

1.整合通路分析

#安装包devtools::install_github('https://github.com/reimandlab/activePathways')library(activePathways)
scores <- read.table('D:/R/R-3.6.2/library/activePathways/extdata/Adenocarcinoma_scores_subset.tsv', header=TRUE, row.names='Gene')scores <- as.matrix(scores)#fix(scores)#scores就是上文介绍的Adenocarcinoma_scores_subset.tsvscores[is.na(scores)] <- 1 #给缺失值赋值1#因为矩阵中数值是P值，所以赋值的1在这种情况下是极端值了result <- activePathways(scores,                         #scores是P值数据，行是基因，列是tests                   'D:/R/R-3.6.2/library/activePathways/extdata/hsapiens_REAC_subset.gmt',                         #读入GMT文件                         geneset.filter = c(5, 1000),                         #注释基因集的下限和上限                         cutoff = 0.1,                         #用于富集分析的基因的最大P值                         merge.method = "Fisher",                         #对基因p值进行合并的方法，可选"Brown", "Fisher"                         significant = 0.05,                         #显著富集通路的最大p值                         correction.method ="bonferroni",                         #校正P值的方法，可选"holm", "fdr", "hochberg", "hommel", "bonferroni", "BH", "BY", "none"                         cytoscape.file.tag = "C:/Users/DELL/Desktop/results"                         #是否生成cytoscape可用的文件                         )fix(result)