NEWS
新闻资讯
|
转录调控 | 转录组高频可视化结果解读随着测序成本的下降，转录组测序已成为现代生物学研究中不可或缺的工具。通过对转录组进行分析，我们可以深入了解基因表达调控、细胞分化和疾病发生等复杂生物学过程。在转录组分析中，可视化分析结果至关重要。转录组文章中有一些高频的可视化分析结果，比如说热图、火山图和KEGG富集图，这些图可以帮助我们快速识别差异表达的基因、生物学途径和潜的疾病标志物。本期，我们详细介绍下转录组相关的可视化结果。 火山图（Volcano Plot）是一种常用转录组数据可视化，用于展示基因表达差异分析的结果。通常以散点图的形式呈现，横轴表示基因的表达变化倍数（Fold Change），纵轴表示统计学显著性（如-Log10(PValue)）。在火山图中，每个基因用一个点表示，点的位置取决于该基因的表达变化倍数和统计学显著性。通常情况，红色up表示上调基因，蓝色down表示下调基因。
图1：火山图 通过观察火山图，我们可以快速筛选出不同样本具有显著差异表达的基因，从而进一步进行功能注释、生物通路分析等深入研究。 基因表达热图（Gene Expression Heatmap）也是一种常见的数据可视化方法，用于展示基因在不同样本(不同品种，不同组织）或条件下的表达水平。热图通常以矩阵的形式呈现，其中每行代表一个基因，每列代表一个样本或条件。矩阵中的每个单元格的颜色表示该基因在对应样本中的表达水平，颜色的深浅或色调的变化反映了表达量的高低。 基因表达热图的主要作用在于帮助我们快速识别基因表达模式、样本间的相似性和差异性。通过观察热图，我们可以发现在不同条件下共同上调或下调的基因群组，识别样本间的聚类模式，还可以发现异常表达的基因。 在基因表达热图中，较为常见的元素有： 通常使用色谱图来表示基因表达水平，如红色表示高表达、蓝色表示低表达。 通过对基因和样本进行聚类分析，将具有相似表达模式的基因或样本聚集在一起，形成热图中的聚类块。 在热图的边缘或单元格中添加基因注释信息、样本信息或其他相关数据，帮助解释热图中的模式和关系。如果差异基因数目较多（通常分析全部基因），一般不显示基因信息（如基因名），只展示整体差异趋势，如下图2A。当差异基因总数较少时（经过筛选，感兴趣的家族基因或者生物学过程基因），则可以显示基因名，以展示具体的基因信息，如下图2B。
图2A 基因表达热图
图2B：13个共享基因的热图，可视化对照组和处理组中表达谱的变化[1]。 除了以上特征，基因表达热图也有圆形的表现形式。 在转录组研究中，散点图通常用于展示基因的表达水平、差异表达情况以及相关性分析的结果。在二维散点图中，每个数据点代表一个样本或基因，横轴和纵轴分别表示两个变量或条件下的数值。通过观察散点图中数据点的分布和趋势，我们可以快速了解不同基因在不同条件下的表达水平、差异表达情况以及基因之间的相关性。散点图可以帮助我们发现异常样本、群体聚类以及基因表达模式等重要信息。
图3：差异基因散点图 主成分分析（Principal Component Analysis，PCA）是一种常用的多变量数据分析方法，用于降低数据的维度并揭示数据中的模式和结构。在转录组测序数据分析中，主成分分析可以帮助我们发现样本间的相似性和差异性，识别潜在的基因表达模式。在PCA中，样本之间的关系由众多变量（如基因的表达量、reads 的分布特征等）决定。 二维PCA分析结果中，通常会展示主成分 1（PC1）和主成分2（PC2）分别作为X轴和Y轴的散点图，每个点代表1个样本。PCA结果图中，如果两个样本距离越远，则说明两个样本reads分布的差异越大。反之，则说明相应样本reads整体分布模式越接近。所以，PCA 分析常用于评估样本重复性的好坏。理想情况下，生物学重复的样本应该聚类在一起，而处理组间应该可以清晰区分开。
图：PCA图展示了TN和TM细胞的整个转录组[2] 除了转录组，PCA分析也可以用于蛋白组、代谢组等组学数据。除了二维PCA分析，有些结果也用三维PCA分析。 差异表达基因富集分析是一种用于揭示转录组数据中差异表达基因功能和生物学意义的重要方法。该分析通过将差异表达基因与已知的生物学通路、功能注释数据库等进行比较，从而识别在特定生物过程或疾病中具有显著富集的功能类别或通路。选择合适的富集分析工具或数据库，如Gene Ontology (GO)、Kyoto Encyclopedia of Genes and Genomes (KEGG)、Reactome等。转录组中较为常见的有GO和KEGG富集分析。 GO富集分析是基因本体论的应用，旨在揭示基因集合在生物过程(Biological Process, BP)、细胞组分(Cell Component, CC)和分子功能(Molecular Function, MF)三个方面的显著性富集情况。通过GO富集分析，我们可以了解到基因集合在细胞生命活动中的作用和位置，以及它们所涉及的分子功能。KEGG富集分析关注的是基因或蛋白质在代谢通路中的作用。KEGG数据库整合了代谢路径、化学物质、基因和疾病等信息，通过KEGG富集分析，我们可以识别出在特定生物学状态下，哪些代谢或信号传导路径被显著激活或抑制。 柱状图和气泡图是常用于展示差异表达基因富集分析结果的可视化方式，它们能够直观地呈现不同功能类别或通路的富集情况和显著性。 以GO富集分析的柱状图为例，通常X轴表示不同的 GO 本体或者具体的 GO 项，Y轴表示富集分析的结果，比如富集因子、p值或者基因数（或富集的比例）。柱状图中的颜色通常用于区分不同的GO本体或者不同的富集结果。每种颜色可能代表一个不同的功能类别或者富集水平。柱状图上可以标注统计显著性的信息。
GO富集柱状图 而气泡图通常在X轴上表示富集程度。Y轴上表示GO项或KEGG路径，气泡的大小表示该项中基因的数量，颜色表示显著性水平。
KEGG富集气泡图 爱基百客云平台富集分析相关教程：富集分析不求人，零代码可视化GO/KEGG分析结果 作为常见的可视化工具，韦恩图（Venn diagram）用于比较不同数据集之间的重叠和差异。在转录组学中，韦恩图通常用于展示差异基因集合之间的重叠情况，特别是在比较不同条件或样本组之间的差异表达基因时。 每个圆圈代表一个数据集，通常用来表示不同条件或样本组的基因集合。重叠的部分表示两个或多个数据集之间共有的基因，即在这些数据集中同时存在的基因。非重叠的部分表示每个数据集中独有的基因，即仅在特定数据集中存在的基因。韦恩图可以帮助确定基因集合之间的交集（共有的基因）和并集（所有出现过的基因）。
图:在12、24和48小时，差异表达基因（DEGs）的维恩图[3] 在转录组测序研究中，韦恩图的使用可以帮助我们理解差异基因集合之间的重叠和独特性，从而揭示不同条件下基因表达的共性和特异性，为进一步的功能注释和生物学解释提供支持。 Gene Set Enrichment Analysis（GSEA）是一种用于分析基因表达数据的生物信息学方法，用于发现在不同条件下共同调控的基因集合（即基因集）。GSEA富集图是GSEA分析结果的可视化展示，用于显示在特定生物学过程、通路或功能类别中的基因集富集情况。
图：GSEA富集分析图 GSEA富集分析和解读详见往期推文：云平台教程 | 手把手教你GSEA富集分析和解读 时序分析图（Time-series Analysis）是转录组数据分析中重要分析之一，用于研究基因表达随时间变化的模式。这种分析方法特别适用于研究基因在生物学过程中的动态调节，例如细胞周期、发育过程、疾病进展或对外界刺激的响应。通过时序分析，研究者可以揭示基因表达在时间维度上的复杂模式，为理解基因功能和调控机制提供深入见解。
图：差异基因的时序分析[4] 在时序分析中，研究者通常采用折线图或曲线图来表示基因表达随时间变化的趋势。每条线代表一个基因或一组基因，横轴表示时间点，纵轴表示基因表达水平。通过比较不同基因或基因组在不同时间点的表达水平，研究者可以识别出表达模式相似的基因，推测它们可能参与相同的生物学过程或受到相似的调控机制影响。这一类比较典型的应用场景就是研究发育周期。时序分析还可以用于比较不同实验条件或处理下基因表达的动态变化，从而揭示不同条件对基因表达影响的时间依赖性。 爱基百客云平台时序分析教程：云平台教程 | 手把手教你绘制时序分析 加权基因共表达网络分析Weighted Gene Co-expression Network Analysis（WGCNA）是一种常用的转录组数据分析方法，用于揭示基因之间的共表达关系并构建基因共表达网络。WGCNA旨在识别具有相似表达模式的基因群（模块），并探索这些模块与生物学特征之间的关联，从而揭示潜在的功能模块和生物学通路。 在分析的可视化结果中，常见的元素包括： Cluster Dendrogram（簇群树状图）：用于展示样本或基因之间的聚类关系，显示不同模块的聚类结构和关系。Module-trait relationships（模块与特征的关联矩阵）：显示不同模块与外部特征（如实验条件、表型数据等）之间的相关性，用颜色表示相关性程度。模块（Module）：通过不同颜色或标识符表示的基因集合，具有相似的表达模式和生物学功能。
图：WGCNA模块的识别和相关性分析[5] 本期，我们分享转录组中常见的分析结果，以上结果均可在爱基百客云平台上实现。
云平台小工具
项目咨询
了 解 更 多 { 往 期 精 彩 回 顾 } 精选合集，欢迎收藏哟！ |
