Skip to content

Biology › 生資工具 › Bioconductor

Bioconductor 入門 (Introduction to Bioconductor) ​

Bioconductor 是 R 的基因體學套件生態系。它的價值不只是套件數量,而是一組共用的資料結構:序列、基因體區間、表現量矩陣都有標準物件,DESeq2、edgeR、limma、ChIP-seq 工具因此能互相銜接。R 基礎(vector / list、factor 參考組、join、匯入)見 R Foundations,特別是 資料結構 與 匯入資料。

本筆記的程式碼以 R 4.6.1 / Bioconductor 3.23(Biostrings 2.80、GenomicRanges 1.64、ShortRead 1.70、SummarizedExperiment 1.42)實跑驗證。

安裝 ​

r
install.packages("BiocManager")
BiocManager::install(c("Biostrings", "GenomicRanges", "ShortRead", "SummarizedExperiment"))
BiocManager::version()      # Bioconductor 版本與 R 版本綁定;不要混用 install.packages() 裝 Bioc 套件
BiocManager::valid()        # 檢查套件版本是否一致

核心物件 ​

物件套件表示什麼常用操作
DNAString / DNAStringSetBiostrings一條 / 多條序列(另有 RNA、AA 版本)reverseComplement()、translate()、letterFrequency()
IRangesIRanges整數區間(還沒有染色體)width()、shift()、reduce()
RleS4Vectorsrun-length 編碼的長向量runLength()、runValue()
GRangesGenomicRanges基因體區間:染色體 + 區間 + 股別 + metadatafindOverlaps()、subsetByOverlaps()、reduce()
ShortReadQShortReadFASTQ reads 與品質readFastq()、sread()、quality()、qa()
SummarizedExperimentSummarizedExperiment表現量矩陣 + 樣本資訊 + 特徵資訊assay()、colData()、rowData()、rowRanges()

一律用 accessor(seqnames()、assay()),不要用 @ 直接取 slot:內部結構隨版本變動,accessor 會維持相容。S4 物件概念見 物件導向:S3 與 R6。

序列:Biostrings ​

r
library(Biostrings)
dna <- DNAString("ATGATCTCGTAA")
reverseComplement(dna)                         # TTACGAGATCAT
translate(dna)                                 # MIS*
letterFrequency(dna, "GC", as.prob = TRUE)     # 0.333

genome <- readDNAStringSet("ref.fa")           # 多條序列(FASTA)

只是少量文字處理用一般字串即可;序列本身成為分析對象(反向互補、比對、計算組成)時再用 Biostrings。

區間:IRanges、Rle、GRanges ​

r
library(GenomicRanges)

# 1. IRanges:width = end - start + 1(1-based、含頭尾)
IRanges(start = 20, end = 30)                       # width 11
IRanges(start = c(1, 20), width = c(30, 11))
IRanges(c(FALSE, FALSE, TRUE, TRUE, FALSE, TRUE))   # 邏輯向量 → TRUE 的連續區段:3-4、6-6

# 2. Rle:重複值很多的向量(染色體名、股別、覆蓋度)
Rle(c("chr1", "chr1", "chr1", "chr2"))              # lengths 3 1

# 3. GRanges:從字串或 data frame 建立
GRanges("chr1:200-300")
genes <- makeGRangesFromDataFrame(df, seqnames.field = "chrom",
                                  keep.extra.columns = TRUE)   # df 有 chrom、start、end、gene

# 4. 區間運算
peaks <- GRanges(c("chr1:120-130", "chr1:500-600"))
findOverlaps(peaks, genes)            # 哪個 peak 與哪個基因重疊(Hits 物件)
subsetByOverlaps(peaks, genes)        # 只留與基因重疊的 peak:chr1:120-130
reduce(c(genes, peaks))               # 合併重疊區間

GRanges 是 1-based、含頭尾;BED 是 0-based、半開。rtracklayer::import("x.bed") 會自動轉換,自己用 read.table() 讀 BED 再建 GRanges 時,start 要 +1。見 座標系統。

bedtoolsGenomicRanges
intersect -usubsetByOverlaps(a, b)
intersect -wa -wbfindOverlaps(a, b) + 索引
mergereduce()
subtractsetdiff()
closestnearest()、distanceToNearest()
slopresize()、flank()、a + 100

命令列版本見 bedtools。

Reads:ShortRead ​

r
library(ShortRead)

fq <- readFastq("data", pattern = "fastq.gz")       # 整個讀進記憶體
sampler <- FastqSampler("data/sample.fastq.gz", n = 1e5)
sub <- yield(sampler); close(sampler)               # 大檔先隨機抽樣

sread(fq)[1]                                        # 序列(DNAStringSet)
quality(fq)[1]                                      # ASCII 品質字串
qs <- as(PhredQuality(quality(quality(fq))), "IntegerList")   # 轉成數值 Phred 分數
qs[[1]][1:4]                                        # 40 40 20 2('I' '5' '#' 的 Phred+33)

abc <- alphabetByCycle(sread(fq))                   # 每個 cycle 的 A/C/G/T 計數(看組成偏差)
qa_res <- qa(fq, lane = "1")                        # QC 摘要:readCounts、baseQuality、perCycle、
report(qa_res)                                      # frequentSequences、adapterContamination… 產生 HTML

ASCII 品質編碼與 Phred 換算見 鹼基品質分數。實務上 FASTQ QC 多用命令列的 FastQC / fastp;ShortRead 適合在 R 裡做客製化檢查。

表現量矩陣:SummarizedExperiment ​

RNA-seq、甲基化、蛋白質體的「特徵 × 樣本」矩陣,加上樣本資訊與特徵資訊,打包成一個物件;切子集時三者自動同步,不會發生 metadata 與欄位錯位。

text
              colData(樣本:cell、dex、batch…)
              ┌───────────────┐
 rowData /    │  assay(se)    │   counts、log-CPM 等,可存多個 assay
 rowRanges    │  基因 × 樣本  │
 (基因資訊)  └───────────────┘
r
library(SummarizedExperiment)
data(airway, package = "airway")      # 氣道平滑肌細胞 ± dexamethasone 的 RNA-seq
airway                                # dim: 63677 8;assays: counts
assay(airway, "counts")[1:3, 1:3]
colData(airway)[, c("cell", "dex")]   # 樣本資訊
rowRanges(airway)                     # 每個基因的 exon 位置(GRangesList)

trt <- airway[, airway$dex == "trt"]  # 63677 × 4,colData 同步切
expressed <- airway[rowSums(assay(airway)) > 0, ]

# 自己建
se <- SummarizedExperiment(assays = list(counts = count_mat),
                           colData = sample_info, rowData = gene_info)

DESeqDataSet(DESeq2)是 SummarizedExperiment 的子類別;單細胞的 SingleCellExperiment 也是。Python 的對應是 AnnData。下游分析見 RNA-seq 分析。

常見錯誤 ​

錯誤修正
把 Bioconductor 套件當成獨立工具,各自轉成 data frame盡量在 GRanges / SummarizedExperiment 中完成運算,最後才轉出
座標長期存成 data frame,手寫重疊判斷轉成 GRanges 用 findOverlaps()
seqnames 不一致(chr1 vs 1)導致重疊結果為空library(GenomeInfoDb) 後 seqlevelsStyle(gr) <- "UCSC"(Bioc 3.22 起 GenomicRanges 改依賴輕量的 Seqinfo,這個函式要另外載入 GenomeInfoDb)
大型 FASTQ 一次讀入記憶體FastqSampler 抽樣或 FastqStreamer 分批讀
樣本資訊與 count 矩陣分開存,排序不一致包成 SummarizedExperiment,並檢查 all(colnames(counts) == rownames(sample_info))
用 install.packages() 裝 Bioc 套件或混用版本一律 BiocManager::install(),BiocManager::valid() 檢查