文章目录
-
-
- [MATLAB 基因表达数据处理与可视化全流程案例](#MATLAB 基因表达数据处理与可视化全流程案例)
- 一、数据准备与预处理
-
- [1. 模拟/加载基因表达数据](#1. 模拟/加载基因表达数据)
- 二、高维基因表达数据降维可视化
- 三、差异表达基因分析与可视化
- 四、基因表达时序数据可视化（扩展）
- 五、关键技巧与注意事项
- 六、真实数据加载示例
-
MATLAB 基因表达数据处理与可视化全流程案例
基因表达数据（如RNA-seq、微阵列数据）通常是高维稀疏矩阵（样本数×基因数，维度可达上万），核心需求包括：数据预处理、降维可视化、差异表达分析、聚类分析等。以下是完整可运行的实战案例，涵盖从数据加载到可视化的全流程。
matlab数据分析教程包含环境配置（matlab下载安装配置教程）:https://blog.csdn.net/2501_93482651/article/details/154799463?spm=1011.2415.3001.10575&sharefrom=mp_manage_link
一、数据准备与预处理
1. 模拟/加载基因表达数据
首先生成模拟的基因表达数据（或加载真实数据，如GEO数据库下载的.txt/.csv文件）：
matlab
% ===================== 步骤1：生成模拟基因表达数据 =====================
rng(1); % 固定随机种子
n_samples = 50; % 50个样本（如患者/对照组）
n_genes = 1000; % 1000个基因（高维特征）
% 分组：20个对照组（Control）、30个处理组（Treatment）
group = categorical([repmat('Control',n_samples*0.4,1); repmat('Treatment',n_samples*0.6,1)]);
% 生成表达矩阵：处理组部分基因上调/下调，模拟差异表达
expr_matrix = randn(n_samples, n_genes); % 基础表达（正态分布）
% 前50个基因在处理组中上调（倍数2）
expr_matrix(group=='Treatment', 1:50) = expr_matrix(group=='Treatment', 1:50) + 2;
% 51-100个基因在处理组中下调（倍数2）
expr_matrix(group=='Treatment', 51:100) = expr_matrix(group=='Treatment', 51:100) - 2;
% ===================== 步骤2：数据预处理（关键！） =====================
% 1. 过滤低表达基因（去除表达量接近0的基因，减少噪声）
expr_filtered = expr_matrix(:, mean(expr_matrix)>0.1); % 保留均值>0.1的基因
% 2. 标准化（z-score，消除基因间量纲差异）
expr_norm = zscore(expr_filtered);
% 3. 处理缺失值（如存在NaN，用均值填充）
expr_norm(isnan(expr_norm)) = 0; % 简化处理，实际可⽤knnimpute二、高维基因表达数据降维可视化
基因表达数据维度极高（上千/上万基因），需通过降维映射到2D/3D空间，展示样本聚类：
matlab
% ===================== 步骤3：降维（UMAP/PCA/t-SNE） =====================
% 方法1：PCA（快速看全局分布）
[coeff, score, ~, ~, explained] = pca(expr_norm);
X_pca = score(:,1:2); % 前2主成分
% 方法2：UMAP（兼顾全局+局部，推荐基因数据）
X_umap = umap(expr_norm, 'NumDimensions', 2, 'NumNeighbors', 10);
% 方法3：t-SNE（聚焦局部聚类）
X_tsne = tsne(expr_norm, 'Perplexity', 20, 'Algorithm','barnes-hut');
% ===================== 步骤4：可视化对比 =====================
figure('Color','w','Position',[100,100,1200,400]);
tiledlayout(1,3,'Padding','compact');
% 子图1：PCA结果
nexttile;
gscatter(X_pca(:,1), X_pca(:,2), group, [0.2 0.6 0.8; 0.8 0.2 0.4], 'os', 8);
xlabel(['PC1 (解释方差: ', num2str(explained(1),2), '%)']);
ylabel(['PC2 (解释方差: ', num2str(explained(2),2), '%)']);
title('PCA降维：基因表达样本分布');
grid on; legend('Location','best');
% 子图2：UMAP结果
nexttile;
gscatter(X_umap(:,1), X_umap(:,2), group, [0.2 0.6 0.8; 0.8 0.2 0.4], 'os', 8);
xlabel('UMAP维度1'); ylabel('UMAP维度2');
title('UMAP降维：基因表达样本分布');
grid on; legend('Location','best');
% 子图3：t-SNE结果
nexttile;
gscatter(X_tsne(:,1), X_tsne(:,2), group, [0.2 0.6 0.8; 0.8 0.2 0.4], 'os', 8);
xlabel('t-SNE维度1'); ylabel('t-SNE维度2');
title('t-SNE降维：基因表达样本分布');
grid on; legend('Location','best');
sgtitle('基因表达高维数据降维可视化','FontSize',14,'FontWeight','bold');结果分析：
- PCA 能看到两组样本的大致分离，但因基因表达的非线性特征，可能存在重叠；
- UMAP 完全分离对照组/处理组，且保留样本间的全局相对关系（推荐基因数据）；
- t-SNE 局部聚类更紧凑，但全局结构可能失真。
三、差异表达基因分析与可视化
识别两组间表达量显著差异的基因，并可视化其表达模式：
matlab
% ===================== 步骤5：差异表达基因筛选（t检验） =====================
% 分组提取表达数据
expr_control = expr_norm(group=='Control', :);
expr_treatment = expr_norm(group=='Treatment', :);
% 双样本t检验（计算p值）
[p_val, ~] = ttest2(expr_control, expr_treatment);
% 校正p值（多重检验校正，Benjamini-Hochberg）
p_adjust = mafdr(p_val, 'BHFDR', true);
% 筛选差异基因：校正p值<0.05 且 表达量差异>1.5倍
fold_change = mean(expr_treatment) - mean(expr_control); % 差异倍数
diff_genes_idx = (p_adjust < 0.05) & (abs(fold_change) > 1.5);
diff_genes_expr = expr_norm(:, diff_genes_idx); % 差异基因表达矩阵
fprintf('筛选出 %d 个差异表达基因\n', sum(diff_genes_idx));
% ===================== 步骤6：差异基因可视化 =====================
% 1. 火山图（展示p值 vs 差异倍数）
figure('Color','w');
scatter(fold_change, -log10(p_adjust), 30, 'k', 'filled');
hold on;
% 标记显著差异基因（红色：上调，绿色：下调）
scatter(fold_change(diff_genes_idx), -log10(p_adjust(diff_genes_idx)), ...
50, fold_change(diff_genes_idx)>0, 'filled');
colormap([0.8 0.2 0.2; 0.2 0.8 0.2]); % 红=上调，绿=下调
% 添加阈值线
plot([-1.5, -1.5], [0, max(-log10(p_adjust))], 'k--');
plot([1.5, 1.5], [0, max(-log10(p_adjust))], 'k--');
plot([min(fold_change), max(fold_change)], [-log10(0.05), -log10(0.05)], 'k--');
xlabel('差异倍数（Treatment - Control）');
ylabel('-log10(校正p值)');
title('基因表达火山图');
grid on; colorbar('Ticks',[0,1],'TickLabels',{'下调','上调'});
% 2. 热图（展示差异基因的表达模式聚类）
figure('Color','w');
% 对差异基因表达矩阵归一化（每行归一化，突出样本间模式）
diff_genes_norm = zscore(diff_genes_expr, 0, 1);
% 绘制热图
heatmap(diff_genes_norm, 'RowLabels',group, 'Colormap',parula, ...
'Title','差异表达基因热图（样本×基因）');结果分析：
- 火山图中，红色点为上调基因、绿色点为下调基因，虚线为筛选阈值；
- 热图可清晰看到：对照组/处理组的差异基因表达模式完全分离，验证筛选有效性。
四、基因表达时序数据可视化（扩展）
若为时序基因表达数据（如不同时间点的表达量），可可视化基因表达趋势：
matlab
% ===================== 模拟时序基因表达数据 =====================
time_points = 0:2:10; % 0/2/4/6/8/10小时
n_time = length(time_points);
n_genes = 5; % 选5个核心差异基因
% 模拟5个基因的时序表达趋势
expr_time = zeros(n_time, n_genes);
expr_time(:,1) = 1 + sin(time_points/2); % 正弦趋势
expr_time(:,2) = linspace(0, 3, n_time); % 线性上调
expr_time(:,3) = linspace(3, 0, n_time); % 线性下调
expr_time(:,4) = 2 + randn(size(time_points))*0.1; % 稳定表达
expr_time(:,5) = 0.5*cos(time_points) + 1; % 余弦趋势
% ===================== 时序趋势可视化 =====================
figure('Color','w');
plot(time_points, expr_time, 'o-', 'LineWidth',1.5, 'MarkerSize',8);
xlabel('时间（小时）'); ylabel('标准化表达量');
title('基因表达时序趋势');
legend({'基因1','基因2','基因3','基因4','基因5'}, 'Location','best');
grid on;五、关键技巧与注意事项
-
数据预处理核心：
- 过滤低表达基因：避免噪声基因干扰降维和差异分析；
- 标准化：基因表达量范围差异大，z-score是基础操作；
- 缺失值处理：推荐用
knnimpute（K近邻填充）替代简单均值填充。
-
降维方法选型：
- 基因数据优先选 UMAP（兼顾全局/局部，速度快）；
- 快速探索用PCA，聚焦局部聚类用t-SNE；
- 大数据（>1000样本）：先PCA降维到50维，再用UMAP/t-SNE（减少计算量）。
-
差异分析优化：
- 小样本用非参数检验（如
ranksum）替代t检验； - 批量数据用
edgeR/DESeq2（MATLAB可调用R包，需安装Statistics and Machine Learning Toolbox）。
- 小样本用非参数检验（如
-
可视化优化：
- 热图行/列聚类：
heatmap可添加'ClusterRows',true,'ClusterColumns',true； - 火山图标注关键基因：用
text函数标注高差异倍数的基因名。
- 热图行/列聚类：
六、真实数据加载示例
若从GEO数据库下载了基因表达数据（.txt格式），加载代码：
matlab
% 加载真实基因表达数据（样本×基因，第一列是分组标签）
data = readtable('GSExxxx_expr.txt', 'TextType','string');
group = categorical(data(:,1)); % 分组标签
expr_matrix = table2array(data(:,2:end)); % 表达矩阵
% 后续预处理/降维/可视化同上述案例如需针对特定基因表达分析场景（如单细胞RNA-seq、加权基因共表达网络分析WGCNA）的定制化代码，可补充说明，我会进一步细化！