理论 | edgeR -- TMM normalization 详细计算过程

最近在看差异分析当中原始read counts是如何被校正的,自然就不会放过差异分析的经典之一 —— edgeR.

edgeR使用的校正方法称为trimmed mean of M values (TMM),其前提假设为样本对照组和处理组间绝大多数基因表达不发生差异。

如何界定绝大多数基因这一点我个人还没有看到一个量化的指标,是50%还是80%才算绝大多数。

edgeR的TMM校正方法其实在其分析流程中就是一句命令而已

y <- calcNormFactors(y)

但由于我十分好奇其背后计算的原理和计算过程,我便搜索一番,才发现无论是中文还是英文的帖子对于TMM的具体运算步骤及代码都没有很好的整理。因此,本文记录我通过阅读TMM提出的原文edgeR源码所了解到的TMM校正。

TMM校正示例

我们通过airway数据展示实际TMM校正的过程

# TMM normalization
data("airway", package='airway')

set.seed(123)
counts1 <- as.data.frame(assay(airway)[sample(1:nrow(airway), 5000),1:4])

Step 1: 选择参考样本

TMM normalization首先需要选择一个参考样本,以它为基准进行校正。

默认下,参考样本的选择是通过比较每个样本的CPM (counts per million)的上四分位数与所有样本CPM的平均上四分位数之间的差值,找出差值最小的样本作为参考样本。

# library size of each samples
lib.size <- colSums(counts1)

# library size normalized read count for each gene in each sample
counts1.cpm <- t(t(counts1)/lib.size) * 1e6

# reference library for TMM normalization
f75 <- apply(counts1.cpm, 2, function(x) quantile(x, probs = 0.75))
# select the one with upper quartile closest to mean upper quartile
refColumn <- which.min(abs(f75 - mean(f75)))
> refColumn
SRR1039512 
         3

在这个例子中refColumnSRR1039512

edgeR::calcNormFactors()中,我们也可以通过refColumn=参数指定参考样本

Step 2: calculation of sample-reference pairwise M and A

接着,在参考样本和非参考样本间两两计算校正因子(normalization factors)。

我们首先需要计算参考样本和非参考样本间的Fold change (M)和平均表达量 (A)

M = log2\frac{non-reference\ sample\ count}{reference\ sample\ count}

A=\frac{log2(non-reference\ sample\ count)\ +\ log2(reference\ sample\ count)}{2}

注意这里使用的count都是校正过文库大小的

以下代码用到的变量名含义:

obs: 非参考样本的原始count

ref: 参考样本的原始count

libsize.obs: 非参考样本的原始文库大小

libsize.ref: 参考样本的原始文库大小

# 第一列是非参考样本
obs <- as.numeric(counts1[, 1])
ref <- as.numeric(counts1[, refColumn])
libsize.obs <- lib.size[1]
libsize.ref <- lib.size[refColumn]

分别计算M value和A value,为了对M value加权,我们还需要通过delta method估计渐近方差

# M value: log ratio of expression, accounting for library size
M <- log2((obs/libsize.obs)/(ref/libsize.ref))
# A value:absolute expression
A <- (log2(obs/libsize.obs) + log2(ref/libsize.ref))/2
# estimated asymptotic variance
v <- (libsize.obs - obs)/libsize.obs/obs + (libsize.ref - ref)/libsize.ref/ref

保留M和A值均为有限值的基因,并过滤极低表达量的基因

Acutoff = -1e10
#   remove infinite values, cutoff based on A
fin <- is.finite(M) & is.finite(A) & (A > Acutoff)
M <- M[fin]
A <- A[fin]
v <- v[fin]

Step 3: trimmed mean of M values

接着,我们对M和A值进行双重截值,截掉M值排在前30%和后30%,A值排在前5%和后5%的基因,计算中间这部分基因M值的加权平均值

logratioTrim <- 0.3
sumTrim <- 0.05
# Double trim the upper and lower percentages of the data
# trim M values by 30% and A values by 5%
  
  n <- length(M)
  loM <- floor(n * logratioTrim) + 1
  hiM <- n + 1 - loM
  loA <- floor(n * sumTrim) + 1
  hiA <- n + 1 - loA
  
  keep <- (rank(M)>=loM & rank(M)<=hiM) & (rank(A)>=loA & rank(A)<=hiA)
  
  # Weighted mean of M after trimming 
  f <- sum(M[keep]/v[keep], na.rm=TRUE) / sum(1/v[keep], na.rm=TRUE)
  f <- 2^f
  # Factors should multiple to one
  f <- f/exp(mean(log(f)))

  # Output
  names(f) <- colnames(counts1)

上述步骤是计算第一个样本与参考样本的校正因子,下面我们通过一个循环计算所有样本的校正因子.

以下循环在选取refColumn后开始

nsamples <- ncol(counts1)

logratioTrim <- 0.3
sumTrim <- 0.05
Acutoff = -1e10

f <- rep_len(NA_real_, nsamples)
for (i in 1:nsamples) {
  obs <- as.numeric(counts1[, i])
  ref <- as.numeric(counts1[, refColumn])
  libsize.obs <- lib.size[i]
  libsize.ref <- lib.size[refColumn]
  
  # M value: log ratio of expression, accounting for library size
  M <- log2((obs/libsize.obs)/(ref/libsize.ref))
  # A value:absolute expression
  A <- (log2(obs/libsize.obs) + log2(ref/libsize.ref))/2
  # estimated asymptotic variance
  v <- (libsize.obs - obs)/libsize.obs/obs + (libsize.ref - ref)/libsize.ref/ref
  # remove infinite values, cutoff based on A
  fin <- is.finite(M) & is.finite(A) & (A > Acutoff)
  
  M <- M[fin]
  A <- A[fin]
  v <- v[fin]
  
  # Double trim the upper and lower percentages of the data
  # trim M values by 30% and A values by 5%
  
  n <- length(M)
  loM <- floor(n * logratioTrim) + 1
  hiM <- n + 1 - loM
  loA <- floor(n * sumTrim) + 1
  hiA <- n + 1 - loA
  
  keep <- (rank(M)>=loM & rank(M)<=hiM) & (rank(A)>=loA & rank(A)<=hiA)
  
  # Weighted mean of M after trimming 
  f[i] <- sum(M[keep]/v[keep], na.rm=TRUE) / sum(1/v[keep], na.rm=TRUE)
  f[i] <- 2^f[i]
}

#   Factors should multiple to one
f <- f/exp(mean(log(f)))

#   Output
names(f) <- colnames(counts1)

f
#SRR1039508 SRR1039509 SRR1039512 SRR1039513 
# 1.0225375  1.0111616  0.9920515  0.9749133 

我们与edgeR::calcNormFactors()比较一下

library(edgeR)
y <- DGEList(counts = counts1)
y <- calcNormFactors(y)
nf <- y$samples$norm.factors

f == nf
#SRR1039508 SRR1039509 SRR1039512 SRR1039513 
#      TRUE       TRUE       TRUE       TRUE

Step 4: TMM normalized counts

最后,我们获取TMM校正后的read counts。实际上,上述计算的校正因子是对文库大小的校正,edgeR再利用校正后的文库大小对read counts进行校正。

{TMM\ Normalized\ Counts = \frac{Raw \ Count\ *\ 10^6}{Library\ size\ *\ NormFactor}}

# TMM normalized counts
counts1.tmm <- t(t(counts1) / (lib.size * f)) * 1e6
counts1.tmm <- round(counts1.tmm, 4)

head(counts1.tmm)
SRR1039508 SRR1039509 SRR1039512 SRR1039513
ENSG00000260166 0.0000 0.0000 0.000 0.000
ENSG00000266931 0.0000 0.0000 0.000 0.000
ENSG00000104774 1375.7505 1510.2195 1431.252 1301.323
ENSG00000267583 0.0000 0.7924 0.000 0.000
ENSG00000227581 0.7095 0.0000 0.000 0.000
ENSG00000227317 0.0000 0.0000 0.000 0.000
# by edgeR
counts.tmm.edger <- round(cpm(y), 4)

identical(counts1.tmm, counts.tmm.edger)
# [1] TRUE

以上就是TMM校正的计算过程。

完。

Ref:

A scaling normalization method for differential expression analysis of RNA-seq data: https://doi.org/10.1186/gb-2010-11-3-r25

calcNormFactors.R: https://rdrr.io/bioc/edgeR/src/R/calcNormFactors.R

Gene expression units explained: RPM, RPKM, FPKM, TPM, DESeq, TMM, SCnorm, GeTMM, and ComBat-Seq: https://www.reneshbedre.com/blog/expression_units.html

edgeR提供的TMM归一化算法详解: https://cloud.tencent.com/developer/article/1625225

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 217,734评论 6 505
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 92,931评论 3 394
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 164,133评论 0 354
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 58,532评论 1 293
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 67,585评论 6 392
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 51,462评论 1 302
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 40,262评论 3 418
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 39,153评论 0 276
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 45,587评论 1 314
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,792评论 3 336
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,919评论 1 348
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,635评论 5 345
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 41,237评论 3 329
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,855评论 0 22
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,983评论 1 269
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 48,048评论 3 370
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,864评论 2 354

推荐阅读更多精彩内容