对于RNA-seq，除了gene水平的差异分析外，还可以进行exon水平的差异分析。这时可以使用Bioconductor的DEXSeq软件包。

使用DEXSeq软件包，其输入为Count table。要生成这个Count table，与DESeq, edgeR类似的，都需要使用到htseq。DEXSeq提供了两个python角本，来调用htseq生成计数文件。

关于HTSeq的安装，请参考http://www-huber.embl.de/users/anders/HTSeq/doc/install.html

对于DEXSeq的安装，直接使用source(“http://bioconductor.org/biocLite.R”);biocLite(“DEXSeq”)就可以了。

第一步：计数

安装结束以后，使用system.file(“python_scripts”, package=”DEXSeq”)来找到DEXSeq提供的python角本的路径。

这里需要注意的是，gtf文件必须与mapping的基因组一致，尤其是染色体的名字要一致，比如说如果mapping时有chr，gtf文件中的染色体一定也需要有chr。这里运行python是在terminal中，而不是R中。

而后使用dexseq_count.py来计数。

在这里，参数-p指出mapping文件是否是pair end文件。参数-s表示是否是stranded，默认为yes。-f指输入文件的格式，默认为sam。

在运行计数结束之后，需要检查一下最后四行，看看empty的多不多，如果超过20%，可能需要检查一下mapping的结果，当然也可能是计数文件准备错误，比如mapping结果没有index等等。如果以上都不是，那可能是polyA太多了。

第二步：读入数据

在R中读入计数数据，需要准备好计数文件，实验设计，以及前面用到的gff文件。在这里，我们使用Bioconductor中已有的pasilla数据来示例。

第三步：获得差异表达数据

只需要一步

但是，我们似乎并不太明白它在背后做了些什么。于是我们一步一步的来查看它是如何做的。

同DESeq一样，它分为三个步骤：normalization, Dispersion estimation 以及 testing for differential exon usage。

在第二步中，我们可以重新设计formula以符合实验要求，当然第三步也要随之改变。

对于结果dxr，可以直接视为data.frame来操作。也可以使用as.data.frame来转换它。结合使用plotDEXSeq就可以查看自己感兴趣的目标基因中的exon的表达情况。

原文来自：http://pgfe.umassmed.edu/ou/archives/3690

对于RNA-seq，除了gene水平的差异分析外，还可以进行exon水平的差异分析。这时可以使用Bioconductor的DEXSeq软件包。

使用DEXSeq软件包，其输入为Count table。要生成这个Count table，与DESeq, edgeR类似的，都需要使用到htseq。DEXSeq提供了两个python角本，来调用htseq生成计数文件。

关于HTSeq的安装，请参考http://www-huber.embl.de/users/anders/HTSeq/doc/install.html

对于DEXSeq的安装，直接使用source(“http://bioconductor.org/biocLite.R”);biocLite(“DEXSeq”)就可以了。

第一步：计数

安装结束以后，使用system.file(“python_scripts”, package=”DEXSeq”)来找到DEXSeq提供的python角本的路径。

这里需要注意的是，gtf文件必须与mapping的基因组一致，尤其是染色体的名字要一致，比如说如果mapping时有chr，gtf文件中的染色体一定也需要有chr。这里运行python是在terminal中，而不是R中。

而后使用dexseq_count.py来计数。

在这里，参数-p指出mapping文件是否是pair end文件。参数-s表示是否是stranded，默认为yes。-f指输入文件的格式，默认为sam。

在运行计数结束之后，需要检查一下最后四行，看看empty的多不多，如果超过20%，可能需要检查一下mapping的结果，当然也可能是计数文件准备错误，比如mapping结果没有index等等。如果以上都不是，那可能是polyA太多了。

第二步：读入数据

在R中读入计数数据，需要准备好计数文件，实验设计，以及前面用到的gff文件。在这里，我们使用Bioconductor中已有的pasilla数据来示例。

第三步：获得差异表达数据

只需要一步

但是，我们似乎并不太明白它在背后做了些什么。于是我们一步一步的来查看它是如何做的。

同DESeq一样，它分为三个步骤：normalization, Dispersion estimation 以及 testing for differential exon usage。

在第二步中，我们可以重新设计formula以符合实验要求，当然第三步也要随之改变。

对于结果dxr，可以直接视为data.frame来操作。也可以使用as.data.frame来转换它。结合使用plotDEXSeq就可以查看自己感兴趣的目标基因中的exon的表达情况。

原文来自：http://pgfe.umassmed.edu/ou/archives/3690