最后得到的结果是motifEnrichmentTable_wGenes,一个简单的数据框,总共是100个motif被富集到了,节选如下: 可以看到,NES概念大家都不陌生了,就是GSEA分析的结果而已,AUC的概念比较新颖。 其中EPAS1 (directAnnotation)这个基因命中了两个转录因子: hocomoco__EPAS1_HUMAN.H11MO.0.B homer__GCACGTACCC_HIF2a 可以去...
motifEnrichmentTable_wGenes<-cisTarget(geneLists,motifRankings,motifAnnot=motifAnnotations_hgnc)#因为通过RcisTarget包的 cisTarget()函数,一句代码完成的转录因子富集分析,等价于下面的3个步骤。# 1. Calculate AUCmotifs_AUC<-calcAUC(geneLists,motifRankings)# 2. Select significant motifs, add TF annotation ...
最后得到的结果是motifEnrichmentTable_wGenes,一个简单的数据框,总共是100个motif被富集到了,节选如下: 可以看到,NES概念大家都不陌生了,就是GSEA分析的结果而已,AUC的概念比较新颖。 其中EPAS1 (directAnnotation)这个基因命中了两个转录因子: hocomoco__EPAS1_HUMAN.H11MO.0.B homer__GCACGTACCC_HIF2a 可以去...
最后得到的结果是motifEnrichmentTable_wGenes,一个简单的数据框,总共是100个motif被富集到了,节选如下: 可以看到,NES概念大家都不陌生了,就是GSEA分析的结果而已,AUC的概念比较新颖。 其中EPAS1 (directAnnotation)这个基因命中了两个转录因子: 代码语言:javascript 复制 hocomoco__EPAS1_HUMAN.H11MO.0.Bhomer__GC...
一般来说,大家拿到了感兴趣的基因集后,通常是做超几何分布检验看看富集到了什么生物学功能数据库,比如KEGG或者GO数据库,或者走gsea/gsva这样的富集分析,也是注释生物学功能数据库。 大家读我的表达芯片的公共数据库挖掘系列推文应该是够多了: 解读GEO数据存放规律及下载,一文就够 ...
亮点一:基于免疫相关基因进行分析。 亮点二:筛选疾病的诊断基因,并在疾病不同亚组中进行验证。 亮点三:除了预测,转录因子也可下载基因集进行分析! 这篇文章是非肿瘤筛选免疫相关诊断基因的思路,简单分析思路的纯生信发到4分+,说明非肿瘤分析热点基因集仍然是个不错的选择。
一般来说,大家拿到了感兴趣的基因集后,通常是做超几何分布检验看看富集到了什么生物学功能数据库,比如KEGG或者GO数据库,或者走gsea/gsva这样的富集分析,也是注释生物学功能数据库。大家读我的表达芯片的公共数据库挖掘系列推文应该是够多了: 解读GEO数据存放规律及下载,一文就够 ...