------------------------------------TPM 定义-------------------------------------------------
首先了解一下什么是TPM;
TPM:Transcripts Per Kilobase of exon model per Million mapped reads (每千个碱基的转录每百万映射读取的Transcripts)
分析
TPM的计算方法其实同RPKM很类似,同样的对基因长度和测序深度进行标准化,只不过RPKM是先进行测序深度标准化,后进行基因长度标准化;而 TPM是先进行基因长度标准化,后进行测序深度标准化 。事实证明,TPM的标准化方法更有优势,为何会这样,见后述。这里先看看TPM的计算。
例子
第一步:进行基因长度标准化。先将基因A、B、C、D的Read数除以各自的基因长度(基因长度单位kb),得到RPK。
第二歩:计算总Read数(RPK)。计算总Read数,并将其进行百万转换。由于基因数太少,这里是使用10模拟百万转换。
由于TPM先进行基因长度标准化,所以这里的总Read数计算已经变为基因长度标准化后的Read数,也就是RPK数。
第三步:进行总Read数标准化。将Rep1、Rep2、Rep3的RPK除以各自的转换后的总Read数,得到TPM值。
TPM的计算方法
标准化基因长度:将所有基因的Read数除以基因长度(基因长度单位为kb);
计算总Read数:计算每一个样本的总Read数,然后将其换算为以百万位单位(M);
标准化总Read数:将所有基因的Read数除以总Read数;
TPM特点
------------------------------------TPM 计算------------------------------------------
采用如下perl脚本:
首先数据格式:
1.基因长度(gene length)数据格式如下:
2.Reads count 数据格式如下,其中sample数码没有限制:
----------------------------------代码如下-------------------------------------------------
#----------------------------------------------------------------------
#usage:perl gene_leng_file reads_count_files Ouput_file
#其中 gene_length_file没有表头,格式如下:
#Gene1 2312
#Gene2 3212
#其中 reads_count_files 有表头,格式如下:
#GeneID sample1 sample2 sample3
#Gene1 22 2123 122
#Gene2 21 112 1233
#Gene3 211 2112 31233
#-----------------------------code--------------------------------------
open FA,"$ARGV[0]"; #打开基因组length文件
while(<FA>){
chomp;
my($id,$len)=split /\t/,$_,2;
#print "$id\t$len\n";
$len{$id}=$len/1000;
}
open FA1,"$ARGV[1]"; #打开reads count文件
$head=<FA1>;#去除行名,并获得其内容,后面打印用
while(<FA1>){
chomp;
my ($ID,$count)=split /\t/,$_,2;
@{$hash{$ID}}=split /\t/,$count;
}
$n=0; #用于计算$s
$m=0; #用于计算$s
foreach $leng(keys %len){
foreach (@{$hash{$leng}})
{
$_=($_)/($len{$leng});
#print "$leng\t$_\n";
$n+=1;
}
$m+=1;
}
$s=$n/$m; #两次循环使得列数变为$n,所有要除以$m,;
#print "$s\n";
my %ALL=();
for($i=0; $i<= $s-1;$i+=1){
$total=0;
foreach $leng(keys %len){
$total+=${$hash{$leng}}[$i]; #计算每一列的总reads count数(均一化基因长度以后的)
}
#print "$total\n";
$ALL{$i}=$total; #每一列对应一个总的reads count,存到%ALL中
}
foreach $leng(keys %len){
#print "$leng\n";
$index=0;
#print "$ALL{$index}\n";
foreach (@{$hash{$leng}})
{
#print "$_\n";
$_=($_*1000000)/($ALL{$index}); #计算TPM值;
#print "$leng\t$_\n";
$index+=1;
}
}
#foreach $leng(sort keys %hash){
#$data=@{hash{$leng}};
#print "$leng\t",join ("\t",@{$data}),"\n"; #打印数据
#}
open OU ,">$ARGV[2]";
print OU "$head"; #打印行名,不需要加换行,因为读的时候以及读入换行符号了
foreach $leng(sort keys %len){ #打印数据,这里不能直接调用%hash,需要调用#%len;很奇怪
print OU "$leng\t"; #打印基因名
foreach (@{$hash{$leng}}) #循环打印每个基因对应的几列数据
{
printf OU "%.3f", "$_"; #设置小数位3位
print OU "\t";
}
print OU "\n" #打印完成后,换行!
}
输出结果
以上关于TPM定义,参考https://www.jianshu.com/p/1940c5954c81