一文拿捏，如何利用pRRophetic包进行药物敏感性分析？

小云爱生信

编辑于 2024年03月14日 18:03

尔云间一个专门做科研的团队

原创小果生信果

欢迎点赞+收藏+关注

今天小果给大家带来的分享为利用pRRophetic包进行药物敏感性分析，小伙伴只需要输入基因表达数据和化疗药物，就可以进行该分析，接下来小果带大家开始今天的学习吧！

1. 药物敏感性分析简单介绍

小果先简单的介绍一下如何进行药物敏感性分析？使用癌症药物敏感性基因组学 (GDSC; https://www.cancerrxgene.org/) 数据库估计每位患者对化疗药物的敏感性。半数最大抑制浓度 (IC50) 通过 R 中的 pRRophetic 包(https://github.com/paulgeeleher/pRRophetic) 进行量化，利用IC50来衡量对药物的敏感性，比较化疗药物在不同风险组间IC50的差异。赶快和小果一起开启今天的实操吧！

2. PRRophetic包安装

小果在安装该包时发现一些问题，接下来小果为小伙伴演示一下该如何安装该包。

#首先下载pRRophetic 安装包，直接通过本地安装
wget -O pRRophetic_0.5.tar.gz https://osf.io/dwzce/?action=download
或者通过该网址直接下载安装包，网址：https://osf.io/5xvsg/wiki/home/
#下载好安装包后，直接通过以下命令安装
install.packages("pRRophetic_0.5.tar.gz", repos = NULL, dependencies = TRUE)

安装成功后，利用pRRopheticPredict函数进行药物敏感分析，出现以下报错：

出现该报错主要是R版本的问题，安装较低版本的R，就可以解决该报错，或者将原代码中的class(testExprData) != "matrix")全部修改为class(testExprData)[1] != "matrix")，就可以解决该报错,需要修改好代码的压缩包，可以联系小果奥！

3. 准备需要的R包

#安装需要的R包
install.packages("ggplot2")
install.packages("tidyverse")
install.packages("cowplot")
install.packages("ggsignif")
install.packages("ggsci")
#加载需要的R包
library(pRRophetic)
library(ggplot2)
library(cowplot)
library(ggsignif)
library(ggsci)

4.读取输入数据

#EXP.txt基因表达矩阵，行名为基因名，列名为样本名
dat <- read.table("EXP.txt",sep = "\t",row.names = 1,header = T,stringsAsFactors = F,check.names = F)

#group.txt，风险评分高低分组样本信息文件,第一列为样本名，第二列为高低分组信息
ann <- read.table("group.txt",sep = "\t",row.names = 1,header = T,stringsAsFactors = F,check.names = F)

ann<-rownames_to_column(ann,var="Sample")
#drug.txt,138种化疗药物信息文件
GCP.drug <- read.table("drug.txt",header =F,stringsAsFactors = F)
GCP.drug <- GCP.drug$V1

5.药物敏感性分析

#利用pRRopheticPredict函数进行药物敏感性分析，testMatrix表示基因表达矩阵，drug表示化疗药物，可以选择自己需要的药物进行分析
 predictedPtype <- pRRopheticPredict(testMatrix = as.matrix(dat),
                                              drug = "Bortezomib",
                                              tissueType = "allSolidTumors",
                                              selection = 1)
#将数据类型转化为数据框
predictedPtype<- as.data.frame(predictedPtype)
#将行名转化为列名
predictedPtype<-rownmaes_to_column(predictedPtype,var="Sample")
#保存药物敏感分析结果文件
write.table(predictedPtype,"Bortezomib_IC50.txt",col.names=T,sep="\t",quote=F)
#连接药物敏感性分析结果和风险评分高低分组样本信息文件
final<-left_join(predictedPtype,ann,by="Sample")
#确定绘图因子顺序
 final$group<-factor(final$group,levels= c("High","Low"))
#绘制显著差异箱线图
ggplot(data=final,aes(x=group,y= predictedPtype))+
geom_violin(aes(fill=group))+
geom_boxplot(width=0.2)+
#显著差异分析
geom_signif(comparisons=list(c("High","Low")),
      test=t.test,
      step_increase=0.2,
      map_signif_level=T)+
scale_fill_npg()+
labs(x="",y="Bortezomib IC50")+
theme_classic()
#保存图片
ggsave("Bortezomib_IC50.pdf")