R语言基础

从入门到生物医学数据分析

王诗翔副教授
中南大学生物医学信息系

课程介绍

为什么学习R？

生物医学数据分析必备

📊 统计分析 — 临床试验、生存分析
🧬 生物信息 — RNA-seq、基因组学
📈 可视化 — 发表级科研图表
📝 可重复性 — R Markdown/Quarto

R语言优势

💰 开源免费 — 学术界首选
📦 包生态丰富 — 20,000+ CRAN包
🔬 Bioconductor — 生信专用2,000+包
👥 社区活跃 — 全球统计学家支持

本讲目标

你将掌握

技能	应用场景
✅ 数据类型与结构	存储患者信息、基因表达数据
✅ 向量化操作	批量处理基因组数据
✅ 控制流与函数	自动化分析流程
✅ R包管理	安装Bioconductor工具

第1部分：R语言概述

R是什么？

R是用于统计计算和图形的编程语言与环境

核心特点

特点	说明	生信应用
开源免费	GPL许可证	学术界广泛使用
跨平台	Win/Mac/Linux	服务器/本地均可运行
交互式	即时反馈	快速探索数据
包生态	20,000+包	Bioconductor生信专用

R在生物医学中的应用

三大核心领域

📊 统计分析

临床试验设计
生存分析 (Survival)
多组学整合

🧬 生物信息

RNA-seq (DESeq2)
单细胞测序 (Seurat)
基因组变异分析

📈 数据科学

数据清洗 (tidyverse)
机器学习 (caret)
可重复研究

R vs Python 选择指南

何时选择R？

✅ 统计分析为主的研究
✅ 需要发表级可视化
✅ 生物信息学分析
✅ 与统计学家协作

何时选择Python？

✅ 通用编程和深度学习
✅ 大规模数据处理
✅ 生产环境部署

💡 建议：两者互补！R做统计可视化，Python做深度学习

R环境搭建

1. 安装R

# macOS
brew install r

# Ubuntu
sudo apt-get install r-base

# Windows: https://cran.r-project.org/

2. 安装RStudio

https://posit.co/download/rstudio-desktop/

RStudio界面

┌─────────────────┬─────────────────┐
│   Source        │    Environment  │
│  (代码编辑器)    │   (变量查看)     │
│                 ├─────────────────┤
│                 │ Files/Plots/    │
│                 │ Packages/Help   │
├─────────────────┴─────────────────┤
│           Console (控制台)         │
│           输入命令，查看输出         │
└───────────────────────────────────┘

第2部分：基础数据类型

五大基本数据类型

类型	说明	示例	生信应用
`numeric`	数值型	`3.14`	基因表达量
`integer`	整数型	`42L`	读数计数
`character`	字符型	`"TP53"`	基因名
`logical`	逻辑型	`TRUE`	差异表达标志
`complex`	复数型	`3+4i`	傅里叶变换

创建变量与查看类型

# 基因表达数据示例
gene_name <- "TP53"          # 字符型
expression <- 8.5            # 数值型
is_significant <- TRUE       # 逻辑型
sample_count <- 100L         # 整数型

# 查看类型
class(expression)

[1] "numeric"

typeof(sample_count)

[1] "integer"

向量：R的核心数据结构

向量是R中最基本的数据结构，所有元素必须是同一类型

创建向量

# 基因表达值
tp53_expr <- c(8.5, 12.3, 6.7, 15.2, 9.1)
samples <- c("Tumor_1", "Tumor_2", "Normal_1", "Normal_2", "Tumor_3")

# 序列生成
1:10                       # 1到10

 [1]  1  2  3  4  5  6  7  8  9 10

seq(1, 100, by = 10)       # 步长为10

 [1]  1 11 21 31 41 51 61 71 81 91

rep(c("Tumor", "Normal"), each = 3)  # 重复

[1] "Tumor"  "Tumor"  "Tumor"  "Normal" "Normal" "Normal"

向量索引与筛选

# 基因表达数据
tp53 <- c(8.5, 12.3, 6.7, 15.2, 9.1)

# 索引（R从1开始！）
tp53[1]              # 第一个样本

[1] 8.5

tp53[c(1, 3, 5)]     # 多个样本

[1] 8.5 6.7 9.1

tp53[2:4]            # 范围

[1] 12.3  6.7 15.2

# 条件筛选
tp53[tp53 > 10]      # 高表达样本

[1] 12.3 15.2

which(tp53 > 10)     # 返回位置

[1] 2 4

向量化运算：R的灵魂

# 两个基因的表达值
tp53 <- c(8.5, 12.3, 6.7, 15.2)
kras <- c(5.2, 7.8, 9.1, 6.5)

# 逐元素运算
tp53 + kras               # 表达量之和

[1] 13.7 20.1 15.8 21.7

tp53 * 2                  # 标准化

[1] 17.0 24.6 13.4 30.4

tp53 > 10                 # 高表达判断

[1] FALSE  TRUE FALSE  TRUE

# 统计函数
mean(tp53)                # 平均值

[1] 10.675

sd(tp53)                  # 标准差

[1] 3.814337

sum(tp53 > 10)            # 高表达样本数

[1] 2

💡 最佳实践：用向量化代替循环，速度提升10-100倍！

矩阵：二维数据结构

# 创建表达矩阵（基因 × 样本）
expr_matrix <- matrix(
  c(8.5, 12.3, 6.7, 15.2,
    5.2, 7.8, 9.1, 6.5,
    3.1, 4.5, 8.2, 7.9),
  nrow = 3, byrow = TRUE
)

# 命名
dimnames(expr_matrix) <- list(
  c("TP53", "KRAS", "BRCA1"),      # 基因名
  c("S1", "S2", "S3", "S4")         # 样本名
)
expr_matrix

       S1   S2  S3   S4
TP53  8.5 12.3 6.7 15.2
KRAS  5.2  7.8 9.1  6.5
BRCA1 3.1  4.5 8.2  7.9

数据框：最重要的结构

# 患者临床数据
patients <- data.frame(
  patient_id = c("P001", "P002", "P003", "P004", "P005"),
  age = c(45, 52, 38, 61, 29),
  gender = c("M", "F", "F", "M", "F"),
  tumor_stage = c("II", "III", "I", "IV", "II"),
  tp53_expr = c(8.5, 12.3, 6.7, 15.2, 9.1)
)
patients

  patient_id age gender tumor_stage tp53_expr
1       P001  45      M          II       8.5
2       P002  52      F         III      12.3
3       P003  38      F           I       6.7
4       P004  61      M          IV      15.2
5       P005  29      F          II       9.1

数据框操作

访问列

patients$tp53_expr              # $符号访问

[1]  8.5 12.3  6.7 15.2  9.1

patients[["age"]]               # 双括号访问

[1] 45 52 38 61 29

patients[, c("age", "gender")]  # 多列选择

  age gender
1  45      M
2  52      F
3  38      F
4  61      M
5  29      F

筛选行

patients[patients$age > 50, ]           # 老年患者

  patient_id age gender tumor_stage tp53_expr
2       P002  52      F         III      12.3
4       P004  61      M          IV      15.2

patients[patients$tumor_stage == "IV", ] # 晚期患者

  patient_id age gender tumor_stage tp53_expr
4       P004  61      M          IV      15.2

subset(patients, tp53_expr > 10)        # 高表达患者

  patient_id age gender tumor_stage tp53_expr
2       P002  52      F         III      12.3
4       P004  61      M          IV      15.2

数据框常用函数

str(patients)              # 数据结构

'data.frame':   5 obs. of  5 variables:
 $ patient_id : chr  "P001" "P002" "P003" "P004" ...
 $ age        : num  45 52 38 61 29
 $ gender     : chr  "M" "F" "F" "M" ...
 $ tumor_stage: chr  "II" "III" "I" "IV" ...
 $ tp53_expr  : num  8.5 12.3 6.7 15.2 9.1

summary(patients)          # 统计摘要

  patient_id             age        gender          tumor_stage       
 Length:5           Min.   :29   Length:5           Length:5          
 Class :character   1st Qu.:38   Class :character   Class :character  
 Mode  :character   Median :45   Mode  :character   Mode  :character  
                    Mean   :45                                        
                    3rd Qu.:52                                        
                    Max.   :61                                        
   tp53_expr    
 Min.   : 6.70  
 1st Qu.: 8.50  
 Median : 9.10  
 Mean   :10.36  
 3rd Qu.:12.30  
 Max.   :15.20

head(patients, 3)          # 前3行

  patient_id age gender tumor_stage tp53_expr
1       P001  45      M          II       8.5
2       P002  52      F         III      12.3
3       P003  38      F           I       6.7

dim(patients)              # 行列数

[1] 5 5

nrow(patients)             # 行数

[1] 5

colnames(patients)         # 列名

[1] "patient_id"  "age"         "gender"      "tumor_stage" "tp53_expr"

列表：灵活的数据容器

# 存储分析结果
analysis_result <- list(
  gene = "TP53",
  expression = c(8.5, 12.3, 6.7, 15.2),
  statistics = list(
    mean = 10.675,
    sd = 3.82,
    p_value = 0.001
  ),
  significant = TRUE
)

# 访问元素
analysis_result$statistics$mean

[1] 10.675

analysis_result[["expression"]]

[1]  8.5 12.3  6.7 15.2

第3部分：控制流与函数

条件语句

# 根据表达量分类
tp53_mean <- mean(tp53_expr)

if (tp53_mean > 15) {
  category <- "高表达"
} else if (tp53_mean > 10) {
  category <- "中表达"
} else {
  category <- "低表达"
}
category

[1] "中表达"

向量化条件：ifelse

# 批量分类多个基因
expression <- c(8.5, 12.3, 6.7, 15.2, 9.1)

# 二分类
high_expr <- ifelse(expression > 10, "高", "低")

# 多分类
grade <- ifelse(expression > 15, "A",
         ifelse(expression > 10, "B", "C"))

循环语句

for循环示例

# 计算每个样本的总表达量
genes <- c("TP53", "KRAS", "BRCA1")
total_expr <- 0

for (gene in genes) {
  expr <- sample(5:15, 1)
  total_expr <- total_expr + expr
  print(paste(gene, ":", expr))
}

[1] "TP53 : 12"
[1] "KRAS : 13"
[1] "BRCA1 : 10"

while循环

# 迭代直到收敛
diff <- 1.0
iter <- 0
while (diff > 0.01) {
  diff <- diff * 0.5
  iter <- iter + 1
}

循环控制

# break: 找到第一个高表达基因
for (i in 1:length(expression)) {
  if (expression[i] > 12) {
    print(paste("找到高表达基因，位置:", i))
    break
  }
}

[1] "找到高表达基因，位置: 2"

# next: 跳过缺失值
for (val in c(8.5, NA, 12.3, NA, 6.7)) {
  if (is.na(val)) next
  print(val)
}

[1] 8.5
[1] 12.3
[1] 6.7

自定义函数

计算BMI

calculate_bmi <- function(weight_kg, height_m) {
  bmi <- weight_kg / (height_m ^ 2)
  
  category <- ifelse(bmi < 18.5, "偏瘦",
              ifelse(bmi < 25, "正常",
              ifelse(bmi < 30, "超重", "肥胖")))
  
  return(list(
    bmi = round(bmi, 2),
    category = category
  ))
}

calculate_bmi(70, 1.75)

$bmi
[1] 22.86

$category
[1] "正常"

生信专用函数示例

计算Fold Change

calculate_fc <- function(tumor, normal, log2 = TRUE) {
  # 计算均值
  mean_tumor <- mean(tumor)
  mean_normal <- mean(normal)
  
  # 计算Fold Change
  fc <- mean_tumor / mean_normal
  
  if (log2) {
    fc <- log2(fc)
  }
  
  return(fc)
}

# 使用示例
tumor_expr <- c(12.3, 15.2, 18.5, 14.1)
normal_expr <- c(6.7, 7.8, 8.2, 7.5)
calculate_fc(tumor_expr, normal_expr)

[1] 0.9928164

函数参数与默认值

# 差异表达分析函数
analyze_de <- function(expression, 
                       group,
                       method = "t-test",
                       alpha = 0.05) {
  # 分组
  group1 <- expression[group == "Tumor"]
  group2 <- expression[group == "Normal"]
  
  # t检验
  result <- t.test(group1, group2)
  
  list(
    p_value = result$p.value,
    significant = result$p.value < alpha,
    method = method
  )
}

# 使用
expr <- c(12.3, 15.2, 18.5, 6.7, 7.8, 8.2)
group <- c("Tumor", "Tumor", "Tumor", "Normal", "Normal", "Normal")
analyze_de(expr, group)

$p_value
[1] 0.0423099

$significant
[1] TRUE

$method
[1] "t-test"

第4部分：R包生态

R包生态概览

两大核心仓库

仓库	定位	包数量	生信代表
CRAN	综合R包	20,000+	ggplot2, dplyr
Bioconductor	生物信息	2,000+	DESeq2, Seurat

安装R包

从CRAN安装

install.packages("ggplot2")
install.packages(c("dplyr", "tidyr", "readr"))

从Bioconductor安装

if (!require("BiocManager"))
    install.packages("BiocManager")

BiocManager::install("DESeq2")
BiocManager::install(c("GenomicRanges", "Biostrings"))

加载与使用

# 加载包
library(ggplot2)
require(dplyr)

# 查看包帮助
?ggplot
help(package = "ggplot2")

# 列出已加载包
search()

必学生物医学R包

tidyverse生态（数据科学）

包	功能	生信应用
`dplyr`	数据处理	筛选基因、分组统计
`ggplot2`	可视化	火山图、热图
`readr`	数据读取	读取表达矩阵
`tidyr`	数据整理	长宽格式转换

Bioconductor生态（生物信息）

包	功能	应用场景
`DESeq2`	RNA-seq分析	差异表达
`Seurat`	单细胞分析	细胞聚类
`GenomicRanges`	基因组区间	注释分析

第5部分：综合案例

案例：TP53基因表达分析

背景

分析5个肿瘤样本和5个正常样本的TP53基因表达数据

# 创建数据
samples <- c(paste0("Tumor_", 1:5), paste0("Normal_", 1:5))
groups <- c(rep("Tumor", 5), rep("Normal", 5))
tp53_expr <- c(12.5, 15.2, 8.7, 18.3, 11.9,
               6.2, 7.5, 5.8, 8.1, 6.9)

# 创建数据框
data <- data.frame(
  sample = samples,
  group = groups,
  expression = tp53_expr
)

数据分析流程

# 1. 查看数据
head(data)

    sample  group expression
1  Tumor_1  Tumor       12.5
2  Tumor_2  Tumor       15.2
3  Tumor_3  Tumor        8.7
4  Tumor_4  Tumor       18.3
5  Tumor_5  Tumor       11.9
6 Normal_1 Normal        6.2

str(data)

'data.frame':   10 obs. of  3 variables:
 $ sample    : chr  "Tumor_1" "Tumor_2" "Tumor_3" "Tumor_4" ...
 $ group     : chr  "Tumor" "Tumor" "Tumor" "Tumor" ...
 $ expression: num  12.5 15.2 8.7 18.3 11.9 6.2 7.5 5.8 8.1 6.9

# 2. 分组统计
aggregate(expression ~ group, data = data, FUN = mean)

   group expression
1 Normal       6.90
2  Tumor      13.32

# 3. 差异分析
tumor <- data$expression[data$group == "Tumor"]
normal <- data$expression[data$group == "Normal"]
result <- t.test(tumor, normal)
result$p.value

[1] 0.01458753

结果解读

统计结果

指标	数值	解释
肿瘤组均值	13.32	高表达
正常组均值	6.90	低表达
Fold Change	1.93	上调近2倍
p-value	< 0.05	显著差异

生物学意义

TP53在肿瘤组中显著上调，提示可能参与肿瘤发生发展

本讲要点

核心概念

R是统计计算与图形语言
五大类型：numeric, integer, character, logical, complex
核心结构：vector, matrix, data.frame, list
向量化操作是R的灵魂

生信技能

数据框操作：df$gene, df[condition, ]
统计分析：t.test(), mean(), cor()
函数编写：自动化分析流程
包管理：BiocManager::install()

练习作业

基础练习

创建一个包含10个患者信息的数据框（ID、年龄、性别、分期、生存时间）
计算不同分期的平均年龄
筛选出III-IV期患者

编程练习

编写函数计算基因表达的标准化值（Z-score）
使用向量化操作计算1000个基因的平均表达量
比较向量化 vs 循环的性能差异

思考

为什么R的向量从1开始索引？（对比Python的0索引）
在什么情况下需要使用list而不是data.frame？

下节预告

我们将学习

Markdown基础语法
R Markdown文档结构
代码块与输出控制
Quarto现代工作流
生信报告自动化

Questions?

王诗翔副教授
中南大学生物医学信息系

📧 wangshx@csu.edu.cn
🐙 https://github.com/WangLabCSU

R语言基础

课程介绍

为什么学习R？

生物医学数据分析必备

R语言优势

本讲目标

你将掌握

第1部分：R语言概述

R是什么？

核心特点

R在生物医学中的应用

三大核心领域

📊 统计分析

🧬 生物信息

📈 数据科学

R vs Python 选择指南

何时选择R？

何时选择Python？

R环境搭建

1. 安装R

2. 安装RStudio

RStudio界面

第2部分：基础数据类型

五大基本数据类型

创建变量与查看类型

向量：R的核心数据结构

创建向量

向量索引与筛选

向量化运算：R的灵魂

矩阵：二维数据结构

数据框：最重要的结构

数据框操作

访问列

筛选行

数据框常用函数

列表：灵活的数据容器

第3部分：控制流与函数

条件语句

向量化条件：ifelse

循环语句

for循环示例

while循环

循环控制

自定义函数

计算BMI

生信专用函数示例

计算Fold Change

函数参数与默认值

第4部分：R包生态

R包生态概览

两大核心仓库

安装R包

从CRAN安装

从Bioconductor安装

加载与使用

必学生物医学R包

tidyverse生态（数据科学）

Bioconductor生态（生物信息）

第5部分：综合案例

案例：TP53基因表达分析

背景

数据分析流程

结果解读

统计结果

生物学意义

本讲要点

核心概念

生信技能

练习作业

基础练习

编程练习

思考

下节预告

我们将学习

Questions?

谢谢！