KeepNotes blog

Stay hungry, Stay Foolish.

0%

Bioconductor的DNA甲基化芯片分析流程

Posted on Edited on In ,
Symbols count in article: 8.3k Reading time ≈ 8 mins.

一次偶然的搜索中发现biocondutor有个甲基化芯片的分析流程，刚好可以学习下，写的真的很棒。 Bioconductor的DNA methylation workflow可以在http://www.bioconductor.org/help/workflows/methylationArrayAnalysis/中查看，教程开头先对DNA甲基化芯片及其原理做了简单的介绍，包括一些常见的术语：比如β value和M value，后面就正式进入DNA甲基化的分析方法的讲解了。 #### 下载测试数据

测试数据是放在methylationArrayAnalysis中的，安装官网的方法安装下即可（PS.如果安装时卡住，可以用Rstudio的Tools来安装）

source("http://bioconductor.org/workflows.R")
workflowInstall("methylationArrayAnalysis")

安装后，比如我R包是默认安装的R文件夹中的，所以我的数据路径是E:/R-3.4.1/library/methylationArrayAnalysis/extdata/，那么可以列出该目录下有哪些文件看看

list.files("E:/R-3.4.1/library/methylationArrayAnalysis/extdata/", recursive = TRUE)

测试数据总共有两套数据（GSE49667和GSE51180），前者总共包括10个样本，作为主要的测试数据；后者则只用了其一个样本，作为测试数据中的异常样本。样本分组信息：从3个体（M28, M29, M30）中取4种不同的T-cell types（naive, rTreg, act_naive, act_rTreg），act_naive、act_rTreg是指对应经anti-CD3、anti-CD28 antibodies处理的naive、rTreg，以上分组信息也可以看数据目录下的SampleSheet.csv文件

作者提了最近几年常见的DNA甲基化芯片分析的软件，如minfi，methylumi，wateRmelon，missMethyl，ChAMP和charm，最后还提到了用limma来做差异甲基化位点分析

读入数据

先按照教程加载其所会用到的R包

library(limma)
library(minfi)
library(IlluminaHumanMethylation450kanno.ilmn12.hg19)
library(IlluminaHumanMethylation450kmanifest)
library(RColorBrewer)
library(missMethyl)
library(matrixStats)
library(minfiData)
library(Gviz)
library(DMRcate)
library(stringr)

其中minfi，IlluminaHumanMethylation450kanno.ilmn12.hg19，IlluminaHumanMethylation450kmanifest，missMethyl，DMRcate是DNA甲基化分析专用R包，RColorBrewer，Gviz是用于可视化的R包，stringr，matrixStats是用于一些数据处理的，limma则是用于差异甲基化分析的

用minfi包的read.metharray.sheet函数读入IDAT格式的数据，其中SampleSheet.csv文件是必须的，不然最后数据集中会缺少样本信息；其产生的targets向量中包含了样本信息外，还有IDAT格式数据的所在路径，方便read.metharray.exp函数读入数据

targets <- read.metharray.sheet("E:/R-3.4.1/library/methylationArrayAnalysis/extdata", pattern="SampleSheet.csv")
rgSet <- read.metharray.exp(targets=targets)

质控

以detection p-values评估每样本中的每个CpG位点的质量，当p-values > 0.01时则说明该探针信号数据质量较低，需要去除

detP <- detectionP(rgSet)

将平均detection p-values > 0.05的样本认为是低质量的样本；从结果中可以看出最后一个样本的平均detection p-values远远大于0.05，因此从rgSet中去除（从rgSet的结构中看出，其数据分布是按照每列一个样本来的）

keep <- colMeans(detP) < 0.05
keep
rgSet <- rgSet[,keep]

标准化

现在有很多用于DNA甲基化芯片数据的标准化方法，其中一些方法已经整合在minfi包中了；现在为止没有一种标准化方法被认为是最好的方法，但是一些标准化方法在某些情况下是比较好的选择，作者总结了如下几点：

  1. 对于用于cancer/normal or vastly different tissue types的差异比较的话，可以用preprocessFunnorm函数（Functional normalization）
  2. 对于不需要进行差异比较的单样本数据，如单个组织样本，那么可以用preprocessQuantile函数
  3. 更多的标准化方法的比较，作者推荐看A Data-Driven Approach to Guide the Choice of an Appropriate Normalization Method

除了上述提的2个标准化方法外，minfi包还支持preprocessIllumina（类似于Illumina的Genome Studio的标准化方法），preprocessSWAN（Subset-quantile within array normalisation）以及preprocessNoob（normal-exponential out-of-band）

作者比较了这些标准化方法后，发现对于这次的测试数据，这几种标准化结果都大体上相似的，所以作者最终选择了用preprocessQuantile，标准化为rgSet从RGChannelSet对象变成了mSetSq的GenomicRatioSet对象，表示从探针的信号强度转化到了beta value/M value，并且已mapping to Genome

mSetSq <- preprocessQuantile(rgSet)

我们也可以不做任何标准化处理，只为获得GenomicRatioSet对象用于下游分析

mSetRaw <- preprocessRaw(rgSet)

然后用minfi包内置的densityPlot函数，看看标准化前后的beta value的密度曲线

targets <- targets[keep,]  ##在样本信息中也去掉异常样本
par(mfrow=c(1,2))
densityPlot(rgSet, sampGroups=targets$Sample_Group,main="Raw", legend=FALSE)
legend("top", legend = levels(factor(targets$Sample_Group)), text.col=brewer.pal(8,"Dark2"), cex = 0.6)
densityPlot(getBeta(mSetSq), sampGroups=targets$Sample_Group, main="Normalized", legend=FALSE)
legend("top", legend = levels(factor(targets$Sample_Group)), text.col=brewer.pal(8,"Dark2"), cex = 0.6)
beta_density_plot.png

Data exploration

作者建议可以先做个主成分分析，如Multi-dimensional scaling (MDS) plots来看下样本分布情况，可以根据情况自行选择target向量中的分组，如看下targets$Sample_Group下的MDS plot，PS.这里是用M value来作图的

pal <- brewer.pal(8,"Dark2")
plotMDS(getM(mSetSq), top=1000, gene.selection="common", col=pal[factor(targets$Sample_Group)])
legend("top", legend=levels(factor(targets$Sample_Group)), text.col=pal, bg="white", cex=0.7)
MDS.png

数据过滤

一些质量较差的探针需要在下游差异分析之前去除，之前的质控作者是用detection p-value去除了异常样本，在这里则需要去除在一些样本中质量较差的探针

  1. 因为前面质控时获得的detP中的探针顺序已经和mSetSq中的探针不一致了，所以先将前者的顺序调整为和后者一致

    detP <- detP[match(featureNames(mSetSq),rownames(detP)),]

  2. 作者以remove any probes that have failed in one or more samples为标准去除不满足detection p-value阈值（0.01）的探针，也就是说，一个探针只要detection p-value > 0.01就去除

    keep <- rowSums(detP < 0.01) == ncol(mSetSq) 
table(keep)
mSetSqFlt <- mSetSq[keep,]

  3. 过滤掉X,Y染色体上的探针（一般数据都要做这一步，只要还需进行下游差异分析的话），但这个测试数据都是男性样本，所以就没必要去除了，但作者还是给出了该怎么去除在X,Y染色体上探针的代码，原理就是根据ann450k = getAnnotation(IlluminaHumanMethylation450kanno.ilmn12.hg19)这个注释文件的数据集，里面标注了那些探针出现在哪个染色体上的信息

    keep <- !(featureNames(mSetSqFlt) %in% ann450k$Name[ann450k$chr %in% c("chrX","chrY")])
table(keep)
mSetSqFlt <- mSetSqFlt[keep,]

  4. 过滤掉所有SNP相关的探针，作者建议用minfi包的dropLociWithSnps函数，除了去除默认的SNPs位点外，还可以去除那些minor allele frequencies高于阈值的位点；注：该函数是默认去除SNPs出现在CpG or single base extension (SBE) site的探针

    mSetSqFlt <- dropLociWithSnps(mSetSqFlt, snps = c("CpG", "SBE"))
mSetSqFlt

  5. 去除cross-reactive的探针，也就是multi-hit探针，即映射到多个位置的；这探针list是Chen et al.(2013)发表的，所以只要出现在这list上面的探针都可以去除了

    dataDirectory <- "E:/R-3.4.1/library/methylationArrayAnalysis/extdata/"
xReactiveProbes <- read.csv(file=paste(dataDirectory, "48639-non-specific-probes-Illumina450k.csv", sep="/"), stringsAsFactors=FALSE)
keep <- !(featureNames(mSetSqFlt) %in% xReactiveProbes$TargetID)
mSetSqFlt <- mSetSqFlt[keep,] 
mSetSqFlt

做完上述过滤和标准化后，作者建议再看下MDS plot，看看样本之间的联系是否发生了改变。对这个测试数据而言，第一个主成分上样本不像之前那么集中了，作者怀疑是由于去除了SNP关联的探针的缘故

作者使用minfi包的getM和getBeta来分别计算M-values和Beta-values，作者认为M-values具有更好的统计特性，更适合用于进行下游的统计分析（差异分析等）；而Beta-values更加容易解释，更能说明生物学上的意义

mVals <- getM(mSetSqFlt)
bVals <- getBeta(mSetSqFlt)

并对两者分别做了密度分布图

par(mfrow=c(1,2))
densityPlot(bVals, sampGroups=targets$Sample_Group, main="Beta values", legend=FALSE, xlab="Beta values")
legend("top", legend = levels(factor(targets$Sample_Group)), text.col=brewer.pal(8,"Dark2"))
densityPlot(mVals, sampGroups=targets$Sample_Group, main="M-values", legend=FALSE, xlab="M values")
legend("topleft", legend = levels(factor(targets$Sample_Group)), text.col=brewer.pal(8,"Dark2"))
M-Beta_values_density.png

差异甲基化分析

作者选了M-values作为后续分析的矩阵，对于差异甲基化位点的分析，作者没有用minfi包的dmpFinder函数，而是用了limma包的linear model来分析。所以按照limma的分析思路：

  1. 构建分组矩阵

    cellType <- factor(targets$Sample_Group)
individual <- factor(targets$Sample_Source)
design <- model.matrix(~0+cellType+individual, data=targets)
colnames(design) <- c(levels(cellType),levels(individual)[-1])

  2. 构建两两比较矩阵

    contMatrix <- makeContrasts(naive-rTreg,
                    naive-act_naive,
                    rTreg-act_rTreg,
                    act_naive-act_rTreg,
                    levels=design)

  3. 差异分析

    fit <- lmFit(mVals, design)
fit2 <- contrasts.fit(fit, contMatrix)
fit2 <- eBayes(fit2)

  4. 将位点信息和limma差异分析的结果合并在一起，这里以naive - rTreg为例

    ann450kSub <- ann450k[match(rownames(mVals),ann450k$Name), c(1:4,12:19,24:ncol(ann450k))]
DMPs <- topTable(fit2, num=Inf, coef=1, genelist=ann450kSub)
head(DMPs)

除了差异甲基化位点分析，作者还提了怎么进行DMR（Differential Methylation Regions）分析；作者总结了几个可用来DMR分析的bioconductor包，如：minfi包的bumphunter函数，DMRcate包的dmrcate函数。由于作者觉得bumphunter函数运算速度过慢，除非使用多线程并行运算（如doParallel包），所以选择用dmrcate函数；并且由于这个函数也是基于limma，所以可以直接使用上面的design和contMatrix

  1. 先用DMRcate包的cpg.annotate函数做单个甲基化位点的差异分析以及注释

    myAnnotation <- cpg.annotate(object = mVals, datatype = "array", what = "M", 
                     analysis.type = "differential", design = design, 
                     contrasts = TRUE, cont.matrix = contMatrix, 
                     coef = "naive - rTreg", arraytype = "450K")

  2. 接着用dmrcate函数在上面单个甲基化位点分析的基础上进行合并，从而识别出DMR（Differential Methylation Regions）

    DMRs <- dmrcate(myAnnotation, lambda=1000, C=2)
head(DMRs$results)

  3. 用DMR.plot函数进行可视化，看看这些DMRs在基因组上的展现形式

    # convert the regions to annotated genomic ranges
data(dmrcatedata)
results.ranges <- extractRanges(DMRs, genome = "hg19")

# set up the grouping variables and colours
groups <- pal[1:length(unique(targets$Sample_Group))]
names(groups) <- levels(factor(targets$Sample_Group))
cols <- groups[as.character(factor(targets$Sample_Group))]
samps <- 1:nrow(targets)

# draw the plot for the top DMR
par(mfrow=c(1,1))
DMR.plot(ranges=results.ranges, dmr=1, CpGs=bVals, phen.col=cols, what = "Beta",
         arraytype = "450K", pch=16, toscale=TRUE, plotmedians=TRUE, 
         genome="hg19", samps=samps)

Summary

我这只介绍了这篇Bioconductor workflow for analysing methylation array的部分内容，后续还有讲如何用Gviz包定制化展示甲基化数据，如何用missMethyl包做后续的GO/KEGG分析，还以一个肿瘤甲基化研究的文章为例，展示如何用甲基化来分析肿瘤样本的整个流程（整体上与上述的测试例子类似，但也有点不同）。总之，是一篇值得从头到尾好好看的DNA甲基化分析流程的文章！

注：上述文字和代码均来自bioconductor的文章，我只以自己的理解再次记录下，可能有理解不到的地方，所以还是推荐看原文！

本文已在《生信技能树》公众号上投稿，并授权转载

本文出自于http://www.bioinfo-scrounger.com转载请注明出处

Related Posts