什么时候该用fpkm什么时候该用count

Question

想问一下对胶质瘤做预后模型，首先对TCGA与GTEX联合分析差异基因，再对筛选的差异基因先进行单因素回归分析后，再进行lasso回归，最后建立coxph，请问该流程下应该下载fpkm数据还是count数据

Answer 1

让阿豪来帮你解答，本回答参考chatgpt3.5编写提供，如果还有疑问可以评论或留言

对胶质瘤的预后模型建立需要进行基因表达分析，并筛选差异基因。对于基因表达数据，常见的有fpkm和count两种形式。fpkm是以每百万个reads为单位来衡量基因表达量的，适用于RNA-seq数据，而count是计数形式的，适用于原始的测序数据。 在上述流程中，需要使用的是基因表达量数据，因为需要分析差异基因。一般来说，基因表达量的精准度越高，得到的差异基因也更加可靠。因此，建议下载fpkm数据进行分析。同时，需要注意的是不同实验的数据来源可能不同，需要对数据进行归一化处理，以消除批次效应和其他非生物学因素的影响。常见的归一化方法包括TMM、DESeq、edgeR等。以下是一个基于TCGA和GTEX数据，用于分析胶质瘤的差异基因的R代码示例：

# load data
library(TCGAbiolinks)
library(SummarizedExperiment)
query <- GDCquery(project = "TCGA-GBM", data.category = "Transcriptome Profiling", 
                   data.type = "Gene Expression Quantification",
                   workflow.type = "HTSeq - FPKM")
GDCdownload(query = query)
data <- GDCprepare(query = query, save = TRUE)
# normalize data
library(edgeR)
data <- DGEList(counts = assay(data), group = as.factor(colData(data)$project_id))
data <- calcNormFactors(data)
data <- estimateDisp(data)
fit <- glmQLFit(data)
qlf <- glmQLFTest(fit, coef = 2)
# screen differentially expressed genes
dgelist <- topTags(qlf, n = Inf, p.value = 0.05)$genes
genes <- rownames(dgelist)
data_dge <- data[genes,]
# perform lasso regression
library(glmnet)
x <- as.matrix(t(assay(data_dge)))
y <- colData(data_dge)$days_to_death
fit.lasso <- glmnet(x, y, alpha = 1, standardize = TRUE)
# build CoxPH model
fit.cox <- coxph(Surv(time = colData(data_dge)$days_to_death, 
                      event = colData(data_dge)$vital_status) ~ data_dge)
summary(fit.cox)