文章提及了多篇高分文献中涉及的基因表达趋势分析，包括Nature Communications、Nature Plants、Nature Biotechnology等。
文章详细描述了使用Mfuzz进行趋势分析的步骤，包括数据读入、数据预处理、创建用于Mfuzz的对象、聚类绘图等。
文章提到了使用R语言的其他工具进行基因表达趋势分析的方法，如OmicShare动态趋势分析工具，并介绍了基迪奥生物公司的定制化组学测序与生物信息分析服务。
文章列出了四篇参考文献，包括关于卵巢癌细胞蛋白质组图谱、植物伤口愈合过程中的保守嫁接形成过程、人类植入前胚胎的转录组解析以及小鼠组织衰老过程中非编码RNA表达变化的研究。
最近，在很多高分文献中看到基于转录组、蛋白质组数据的基因表达趋势分析（Series Test of Cluster），如下图。
（
Nature Communications
, 2024）
（
Nature Plants
, 2024）
（
Nature Communications
, 2023）
（
Nature Biotechnology
, 2024）
趋势分析，本质上是对表达趋势相同的基因进行聚类，接着就可以对这些表达模式相同的基因进行功能分析，比如GO富集分析、KEGG pathway富集分析等。下面就一起看看如何使用Mfuzz进行趋势分析吧！
#安装 Mfuzz包；
#if (!requireNamespace("BiocManager", quietly = TRUE))
#install.packages("BiocManager")
BiocManager::install("Mfuzz")
#载入Mfuzz包；
library(Mfuzz)
输入数据一般为差异基因或蛋白的表达矩阵；推荐使用归一化（Normalisation）后的数值，比如FPKM值。
#读入测试数据；
df <- read.csv("testdata.csv",header = T)
#这里的范例数据每组有3个重复，计算组内均值；
T0 <- apply(df[,2:4], 1, mean)
T1 <- apply(df[,5:7], 1, mean)
T2 <- apply(df[,8:10], 1, mean)
T3 <- apply(df[,11:13], 1, mean)
#生成新的表达量矩阵；
df1 <- data.frame(T0,T1,T2,T3)
row.names(df1) <- df$gene
#转成矩阵；
mat <- as.matrix(df1)
#查看前10行；
head(mat,10)
#创建用于Mfuzz的对象；
dt <- new("ExpressionSet",exprs = mat)
#过滤缺失值超过25%的基因;
dt.r <- filter.NA(dt, thres=0.25)
#以均值的方式填充缺失值；
dt.f <- fill.NA(dt.r,mode="mean")
#过滤低表达或表达量变化不大的基因；
#由于是差异基因，这里不做过滤；
tmp <- filter.std(dt.f,min.std=0)
#对数据进行标准化，使不同的基因或蛋白质具有可比性；
dt.s <- standardise(tmp)
#查看标准化后的数据；
df.s <- dt.s@assayData$exprs
head(df.s,10)
#使用mestimate函数估计m值；
m1 <- mestimate(dt.s)
#执行模糊聚类；
set.seed(007)
cl <- mfuzz(dt.s,c=9,m=m1)
重点：这里的参数c即centers，指定期望生成的cluster个数，参数m指fuzzifier m值，由mestimate函数估计得出。
#对聚类结果进行可视化；
mfuzz.plot(dt.s,cl,mfrow=c(3,3),
new.window= FALSE,
time.labels=colnames(dt.s))
#自定义配色；
library(RColorBrewer)
mycol <- c("cyan","yellow","red")
mycolor <- colorRampPalette(mycol)(100)
#使用自定义配色批量绘图；
mfuzz.plot(dt.s,cl,mfrow=c(3,3),
new.window= FALSE,
time.labels=colnames(dt.s),
colo = mycolor)
详细教程：
《再分享一种分析基因表达趋势的方法》
使用Mfuzz进行趋势分析，需要一定的R语言基础。如果不会R语言怎么办？推荐大家使用最简单的OmicShare动态趋势分析工具。
分析结果如下，我们也可对分析结果图形进行自定义调整，满意后下载图片即可。此外，在项目总览页面，我们也可以下载全部分析结果数据，包含单个Cluster对应基因集的表达量表格、折线图等。
最后，基迪奥生物是定制化组学测序与生物信息分析服务领域的领先者，公司组学服务涉及单细胞组学、空间组学、翻译组、基因组等40条业务线，欢迎留言咨询！
长按识别二维码填写意向
