科研有捷径，输入代码，一键获取科研成果！就是这么省事，来具体看下有多方便！

搜索http://985.so/a9kb查看全部代码（目前共计50+持续新增中），也可以点击右侧【目录】，可以看到更多有趣的代码；真香提示：文末可以知道如何获取代码~  

不同芯片数据的差异基因整合，常规的思路是先进行样本整合，然后去除批次效应，最后进行差异分析。阅读相关文献也有很多文章用了R包—RobustRankAggreg：对每个数据集进行独立分析，然后RRA整合DEG，拿到多个数据集共有的DEG。

稳健排序整合（ Robust rankaggregation，RRA）法是一种利用概率模型整合排序列表的方法，这个RobustRankAggreg包超级简单，RRA算法中最核心的为aggregateRanks函数，aggregateRanks函数其实就是对多个排好序的基因集，进行求交集的同时还考虑一下它们的排序情况。总体上来说，就是挑选那些在多个数据集都表现差异的基因，并且每次差异都排名靠前的那些。

结合R包RobustRankAggreg，将多个GSE数据集差异表达基因（按logFC值排序）并为一个list（正序倒序各一个list），然后获得所有差异基因在多个GSE数据集中logFC矩阵，经过预先设置的筛选阈值，筛选共同上调和下调基因，得到在多个数据集中共同的上下调基因，并利用热图可视化上下调top10共有差异基因。

使用方法：

Rscript  RRA.R  -files=  -padj=  -logfc=

参数说明：

USAGE:

RRA.R  -files=-padj=-logfc=

PARAMETERS:

-files\tThe results name of differentially expressed genes were obtained by limma.

-padj the DEG Threshold padj,Default value 0.05,string.

-logfc the DEG Threshold logFC,Default value 1,string.

操作步骤：

1、打开命令行界面，输入“Rscript  RRA.R”调阅帮助文档，确定该程序所需的输入文件。

2、用户根据帮助文档中的参数说明内容，对参数进行设置。这里，必须输入参数有3个，是- files，表示使用limma法获得的各个GSE数据集差异基因结果名称，例'GSE7476.txt,GSE13507.txt,GSE37815.txt,GSE65635.txt'；-padj 共有差异基因筛选阈值，建议阈值为0.05，可根据需要调整；-logfc 共有差异基因筛选阈值，建议阈值为1，可根据需要调整。

3、完成参数提交后，按下回车键，整个程序即正式开始进入执行。每步执行内容都会给出提示。程序执行完毕后，界面会显示”Program execution is completed<span data-raw-text="" "="" data-textnode-index-1661241119773="17" data-index-1661241119773="1118" class="character" style="margin: 0px; padding: 0px;">"结束语。

流程图：

结果展示：

1.所有的共有上调基因结果Gene：基因名称；logFC：差异倍数，P.Value：为p值，adj.P.Val：矫正p值

2.共有上调基因根据软件设置阈值筛选得到的共有上调显著差异基因，Gene：基因名称；logFC：差异倍数，P.Value：为差异分析p值，adj.P.Val：差异分析矫正p值

3.所有的共有下调基因结果Gene：基因名称；logFC：差异倍数，P.Value：为p值，adj.P.Val：矫正p值

4.共有下调基因根据软件设置阈值筛选得到的共有下调显著差异基因，Gene：基因名称；logFC：差异倍数，P.Value：为差异分析p值，adj.P.Val：差异分析矫正p值

5.按照上调基因和下调基因的差异倍数排序，差异基因top10热图图，依次代表输入的GEO数据集

特别说明：本代码经申请软件著作权，仅转让使用权，不转让所有权

如需代码及示例数据等文件，请扫码聊天框回复 “B40”领取！ 

写在文末：

如果您近期想做生信方面的文章而苦于没有思路，或者不知道如何来入手生信分析，或者兑具体的某一个图有作图需求，都可以扫码咨询小云，我们有专业的技术团队，生信热点思路设计、生信分析、热点方向生信挖掘等，如有需要，可扫码下方二维码了解详情：