识别和消除批次效应的R包proBatch的使用
proBatch简介
proBatch是便于在高通量实验中进行批量效应分析和校正的分析工具。主要为质谱蛋白质组学(DIA/SWATH)开发,但也可在调整后应用于大多数的Omic数据。
proBatch包含
- 诊断(蛋白质组/基因组范围和特征水平)
- 校正(归一化和批次效应校正)
- 基于非线性拟合的方法来处理复杂的、质谱特有的信号漂移
- 质量控制
功能。
安装
安装所需的其它包
proBatch主要通过调用其它包中的函数实现功能,因此依赖于许多其它已有的R包。如果其中一些包未安装,则需要在运行proBatch之前安装。
1 | bioc_deps <- c("GO.db", "impute", "preprocessCore", "pvca","sva" ) |
安装proBatch
可通过以下三个途径获取proBatch包:
- Bioconductor
1
2
3
4
5
6
7
8
9
10if (!requireNamespace("BiocManager", quietly = TRUE))
install.packages("BiocManager")
BiocManager::install("proBatch")
```
- [Docker container](https://hub.docker.com/r/digitalproteomes/probatch)
- [GitHub repository](https://github.com/symbioticMe/batch_effects_workflow_code)
```R
library(devtools)
install_github("symbioticMe/proBatch", build_vignettes = TRUE)proBatch的使用
要查看与系统中安装的proBatch版本相对应的说明文档,启动R并输入:1
browseVignettes("proBatch")
使用前的tips
- 一些基本的数据处理步骤已经完成,如已经完成搜库比对、FDR control、log-transformation等
- 数据过滤。应过滤掉诱饵测量值(decoy measurements)以确保正确的样本强度分布对齐。过滤掉低质量的样本(通常通过鉴定肽的总强度或样品的相关性来确定)
- 建议在批次效应校正之前不要填补缺失值
- 在消除批次效应之后再进行蛋白质定量
Preparing for data analysis
Loading the libraries
加载所需的包,以便后续步骤的使用。
1 | require(dplyr) |
Input data
数据分析需要三个数据表,即:
- measurement (data matrix)
- sample annotation
- feature annotation (optional) tables
如果对BioBase数据比较熟悉,则可认为上述的三种数据是:
- assayData
- joined phenoData and protocolData
- featureData
三种数据可参考包中给出的示例数据
1 | data('example_proteome', 'example_sample_annotation', 'example_peptide_annotation', package = 'proBatch') |
或proBatch overview中的详细说明。
其它有用的函数
1 | # Transforming the data to long or wide format |
Initial assessment of the raw data matrix
Plotting the sample mean
proBatch建议在处理批次效应之后再填补缺失值,但包中没有兼容存在缺失值的情况,如果有缺失值无法计算mean。plot_sample_mean
函数主要实现的功能为计算样本均值并绘制样本均值散点图,横坐标为样本顺序(order),纵坐标为样本均值(Mean_Intensity),并以不同颜色表示样本的batch。可通过自行编写能够兼容缺失值的代码实现这一功能。
1 | plot_sample <- data.frame(row.names = colnames(log_transformed_matrix)) |
Plotting boxplots
绘制箱图观察数据:
1 | log_transformed_long <- matrix_to_long(log_transformed_matrix) |
利用PEAKS数据做到这一步时发现产生的箱图向0偏,即含有大量0值。这是PEAKS搜库结果的一个特点,除了缺失值还会有大量intensity被定量为0。在之前处理PEAKS数据时,log-transformation步骤会将0转换为NA,在后续步骤也当作缺失值处理。
而proBatch包针对的是openSWATH产生的tsv数据。该包中的函数log_transform_dm
会将0保留为0,导致使用PEAKS数据画箱图时出现问题。返回log-transformation步骤使用自己写的处理代码处理数据后,箱图绘制与预期一致。
Normalization
包中提供Median Normalization和Quantiles Normalization,可直接使用。
1 | # Median Normalization |
后续相应的画图观察处理后的数据时,应注意Inf值的影响。数据中如有Inf
或-Inf
,可通过data[data == Inf] <- NA
或data[data == -Inf] <- NA
将其替换。Inf出现是因为在log转换时没有处理好0值。
Diagnostics of batch effects in normalized data
Hierarchical clustering & heatmap
1 | selected_annotations <- c('MS_batch', 'digestion_batch', 'Diet') |
根据报错信息可知color_list一项一直与我的数据不兼容,因此注释行显示不完全。
修改color_list或根据数据需要重写聚类绘图函数即可。
PCA & PVCA
PCA和PVCA使用时,缺失值会被直接填为-1。
PVCA对计算的要求很高,且耗时较长,尤其是数据量大的情况。建议在性能较好的机器上运行这一步骤。
1 | # pca |
Peptide-level diagnostics and spike-ins
这一步骤需要将来自同一蛋白的肽段注释在一起。如果缺少肽段的注释信息,这一步骤无法正常进行。
1 | median_normalized_long <- matrix_to_long(median_normalized_matrix) |
correction batch effect
Continuous drift correction
处理连续型批次效应使用LOESS拟合。
1 | loess_fit_df <- adjust_batch_trend_df(quantile_normalized_long, example_sample_annotation) |
Discrete batch correction
处理离散型批次效应可通过median centering (per feature per batch)和ComBat进行。
1 | # median centering |
Correct batch effects: universal function
proBatch提供一个方便的多合一的函数来进行批量校正。
函数correct_batch_effects_df()
能在一次函数调用中可修正MS信号漂移和离散位移。只需在discrete_func
中指定首选的离散校正方法,即"ComBat "
或 "MedianCentering"
。并补充其他参数,如adjust_batch_trend_df()
中的span
、abs_threshold
或pct_threshold
。
1 | batch_corrected_df <- correct_batch_effects_df(df_long = median_normalized_long, sample_annotation = sample_anno,discrete_func = 'ComBat',continuous_func = 'loess_regression',abs_threshold = 5, pct_threshold = 0.20) |
Quality control
Heatmap of selected replicate samples
挑选重复组计算相关性并绘制热图观察批次效应处理结果。
1 | # specify which samples to correlate |
由于缺失值的存在,直接使用包中函数进行这一步骤失败,自己写代码代替。
1 | library(pheatmap) |
Correlation distribution of samples
绘制相同或不同批次的生物重复和非生物重复之间的相关分布。
样本相关性的比较不应该通过评估重复组内与批次内校正的单个例子来进行,而应该通过比较分布来进行。除非这些例子是在整个分布结构的背景下显示的,否则它们会导致错误的结论。样品相关性经常被用来证明测量的质量,因为它通常是非常高的(重复组相关性超过0.95的例子在质谱分析中很常见)。
1 | sample_cor_raw <- plot_sample_corr_distribution(log_transformed_matrix, example_sample_annotation,repeated_samples = replicate_filenames, batch_col = 'MS_batch', biospecimen_id_col = 'EarTag', plot_title = 'Correlation of samples (raw)', plot_param = 'batch_replicate') |
Correlation of peptide distributions within and between proteins
来自同一蛋白的肽段之间会有更强的相关性,通过计算蛋白内和蛋白间肽段的相关性观察批次效应处理结果。
这一步骤对计算的要求较高,且数据量大时耗时较长。建议使用性能较好的电脑进行这一步骤的计算。
1 | peptide_cor_raw <- plot_peptide_corr_distribution(log_transformed_matrix, example_peptide_annotation, protein_col = 'Gene', plot_title = 'Peptide correlation (raw)') |
参考
[1] proBatch Manual
[2] proBatch Overview