R语言limma包差异表达分析实战从数据清洗到可视化全流程解析在生物信息学研究中差异表达分析是识别疾病相关基因或关键调控因子的核心方法之一。R语言作为生物信息学分析的利器其丰富的扩展包生态系统为研究人员提供了强大支持。其中limma包凭借其线性模型框架和稳健的统计方法成为处理微阵列和RNA-seq数据差异分析的首选工具。本文将带你从零开始完整走通使用limma包进行差异表达分析的全流程涵盖数据准备、预处理、质量控制和结果可视化等关键环节。对于刚接触生物信息学的研究人员来说掌握limma包的使用不仅能提高分析效率更能确保结果的可靠性。我们将通过一个真实案例展示如何将原始表达数据转化为具有生物学意义的差异基因列表并生成专业级的可视化图表。无论你是需要分析自己的实验数据还是想复现文献中的分析流程这套方法都能为你提供清晰的指导。1. 实验设计与数据准备差异表达分析的第一个关键步骤是确保实验设计和数据结构的正确性。一个典型的差异分析项目通常包含三个核心文件表达矩阵、样本信息表和探针注释文件。让我们从数据加载开始逐步构建分析基础。1.1 数据加载与结构验证首先加载必要的R包并导入原始数据# 加载核心分析包 library(limma) library(dplyr) library(tibble) # 读取表达矩阵文件 expr_data - read.csv(GSE5281_expression.csv, row.names 1) # 读取样本信息表 sample_info - read.csv(GSE5281_sample_info.csv)数据加载后必须进行基本验证# 检查表达矩阵维度 dim(expr_data) # 应显示基因数×样本数 # 检查样本信息匹配性 ncol(expr_data) nrow(sample_info) # 应返回TRUE1.2 样本分组与设计矩阵limma包的分析核心在于构建正确的设计矩阵。我们需要明确定义实验组和对照组# 创建分组因子 groups - factor(sample_info$Group, levels c(Control, AD)) # 构建设计矩阵 design - model.matrix(~0 groups) colnames(design) - levels(groups) rownames(design) - colnames(expr_data)注意设计矩阵中的组别顺序会影响后续结果解释通常将对照组放在前面更符合生物学直觉。1.3 数据匹配性检查确保表达矩阵的样本顺序与设计矩阵完全一致# 验证样本顺序 all(colnames(expr_data) rownames(design)) # 必须为TRUE # 若不一致需要调整顺序 expr_data - expr_data[, rownames(design)]2. 数据预处理与质量控制原始表达数据通常包含技术噪音和批次效应高质量的数据预处理是获得可靠结果的前提。本节将介绍关键的数据清洗和标准化步骤。2.1 缺失值与异常值处理基因表达数据中的缺失值和极端值会严重影响后续分析# 缺失值检测与处理 missing_genes - apply(expr_data, 1, function(x) sum(is.na(x))) expr_clean - expr_data[missing_genes 0, ] # 去除含缺失值的基因 # 异常值修正Winsorization处理 expr_clean - apply(expr_clean, 2, function(x){ q - quantile(x, c(0.25, 0.75)) iqr - q[2] - q[1] x[x (q[1] - 1.5*iqr)] - median(x) x[x (q[2] 1.5*iqr)] - median(x) return(x) })2.2 数据标准化limma包提供了专门针对微阵列数据的标准化方法# 使用limma进行分位数标准化 expr_norm - normalizeBetweenArrays(log2(expr_clean 1), method quantile)标准化效果可通过箱线图直观展示# 绘制标准化前后对比图 par(mfrow c(1, 2)) boxplot(expr_clean, main Raw Data, las 2) boxplot(expr_norm, main Normalized Data, las 2)2.3 数据质量评估全面的质量评估能发现潜在问题评估指标检查方法预期结果管家基因表达查看GAPDH、ACTB等基因表达各样本间表达稳定样本间相关性计算样本间Pearson相关系数组内相关组间相关整体分布PCA分析组间样本能较好分离# PCA分析示例 pca_result - prcomp(t(expr_norm)) plot(pca_result$x[, 1:2], col groups, pch 16)3. 差异表达分析实施完成数据准备后我们可以进入核心的差异分析阶段。limma包采用线性模型框架通过经验贝叶斯方法提高小样本情况下的统计效力。3.1 构建对比矩阵明确定义要比较的组别组合# 创建对比矩阵 contrast_matrix - makeContrasts( AD_vs_Control AD - Control, levels design )3.2 拟合线性模型limma的三步分析流程# 第一步拟合线性模型 fit - lmFit(expr_norm, design) # 第二步应用对比矩阵 fit2 - contrasts.fit(fit, contrast_matrix) # 第三步经验贝叶斯调整 fit3 - eBayes(fit2, trend TRUE)3.3 结果提取与筛选提取差异分析结果并应用多重检验校正# 获取完整结果表 all_results - topTable(fit3, coef 1, number Inf, adjust.method BH) # 设置显著性阈值 sig_genes - all_results %% filter(adj.P.Val 0.05 abs(logFC) 1) %% rownames_to_column(Gene)差异基因统计# 统计上下调基因数量 table(sig_genes$logFC 0) # 输出关键基因 head(sig_genes[order(sig_genes$P.Value), ], 10)4. 结果可视化与生物学解释高质量的可视化能直观展示分析结果帮助理解数据背后的生物学意义。我们将创建几种常用的差异表达分析图。4.1 火山图展示差异基因火山图是展示差异分析结果的经典方式library(ggplot2) library(ggrepel) # 准备绘图数据 plot_data - all_results %% mutate(Significant ifelse(adj.P.Val 0.05 abs(logFC) 1, ifelse(logFC 1, Up, Down), Not)) %% rownames_to_column(Gene) # 标记top基因 top_genes - plot_data %% arrange(P.Value) %% head(10) # 绘制火山图 ggplot(plot_data, aes(x logFC, y -log10(P.Value), color Significant)) geom_point(alpha 0.6) scale_color_manual(values c(blue, grey, red)) geom_text_repel(data top_genes, aes(label Gene), box.padding 0.5, max.overlaps Inf) theme_minimal() labs(title Volcano Plot of Differential Expression, x log2 Fold Change, y -log10 P-value)4.2 热图展示基因表达模式热图能直观显示差异基因在不同样本中的表达模式library(pheatmap) # 选择差异最显著的50个基因 top50_genes - rownames(all_results)[order(all_results$P.Value)][1:50] # 准备热图数据 heatmap_data - expr_norm[top50_genes, ] heatmap_data - t(scale(t(heatmap_data))) # 行标准化 # 添加样本分组注释 annotation_col - data.frame(Group groups) rownames(annotation_col) - colnames(heatmap_data) # 绘制热图 pheatmap(heatmap_data, annotation_col annotation_col, show_rownames FALSE, clustering_method complete, main Expression Pattern of Top 50 DEGs)4.3 MA图展示表达变化MA图能显示基因平均表达水平与差异倍数的关系plotMA(fit3, coef 1, main MA Plot) abline(h c(-1, 0, 1), col c(blue, black, blue), lty 2)4.4 结果保存与报告将关键结果保存为文件便于后续分析和报告# 保存完整结果 write.csv(all_results, DEG_full_results.csv, row.names TRUE) # 保存显著差异基因 write.csv(sig_genes, Significant_DEGs.csv, row.names FALSE) # 保存可视化图形 ggsave(volcano_plot.png, width 8, height 6, dpi 300)5. 高级技巧与疑难解答在实际分析中我们常会遇到各种特殊情况和挑战。本节分享一些提高分析质量的实用技巧。5.1 批次效应校正当数据来自不同实验批次时需要额外处理# 使用removeBatchEffect函数 batch - sample_info$Batch expr_corrected - removeBatchEffect(expr_norm, batch batch) # 校正后再次验证PCA pca_corrected - prcomp(t(expr_corrected)) plot(pca_corrected$x[, 1:2], col groups, pch 16)5.2 RNA-seq数据适配limma也适用于RNA-seq数据但需要voom转换# 创建DGEList对象 library(edgeR) dge - DGEList(counts count_data) dge - calcNormFactors(dge) # voom转换 v - voom(dge, design, plot TRUE) fit - lmFit(v, design)5.3 常见问题排查下表总结了常见问题及解决方案问题现象可能原因解决方案差异基因数量异常少阈值设置过严调整p值或logFC阈值组间分离不明显批次效应强于生物效应应用批次校正管家基因表达不稳定RNA质量或实验问题检查原始数据质量热图中样本聚类异常样本标签错误验证样本分组信息5.4 性能优化建议处理大数据集时可采用以下优化策略# 并行计算加速 library(BiocParallel) register(SnowParam(4)) # 使用4个核心 # 内存优化 expr_matrix - as.matrix(expr_data) # 确保使用矩阵而非数据框6. 下游分析与功能注释获得差异基因列表后下一步是理解其生物学意义。本节介绍常用的功能注释和通路分析方法。6.1 GO富集分析使用clusterProfiler进行基因本体分析library(clusterProfiler) library(org.Hs.eg.db) # 转换基因ID gene_ids - mapIds(org.Hs.eg.db, keys sig_genes$Gene, column ENTREZID, keytype SYMBOL) # GO富集分析 go_results - enrichGO(gene na.omit(gene_ids), OrgDb org.Hs.eg.db, ont BP, pvalueCutoff 0.05)可视化富集结果dotplot(go_results, showCategory 15) ggtitle(GO Biological Process Enrichment)6.2 KEGG通路分析识别显著富集的代谢和信号通路kegg_results - enrichKEGG(gene na.omit(gene_ids), organism hsa, pvalueCutoff 0.05) # 通路可视化 barplot(kegg_results, showCategory 10) ggtitle(KEGG Pathway Enrichment)6.3 蛋白互作网络分析使用STRING数据库构建蛋白互作网络library(STRINGdb) # 创建STRING连接 string_db - STRINGdb$new(version 11, species 9606) # 映射基因并获取互作 string_mapped - string_db$map(sig_genes, Gene, removeUnmappedRows TRUE) string_interactions - string_db$get_interactions(string_mapped$STRING_id)6.4 结果整合报告将关键发现整理为综合报告# 差异表达分析报告 ## 主要发现 - 共鉴定到r nrow(sig_genes)个显著差异基因 - 上调基因r sum(sig_genes$logFC 0)个 - 下调基因r sum(sig_genes$logFC 0)个 ## 关键基因 r paste(head(sig_genes$Gene, 10), collapse , ) ## 重要通路 - r go_resultsresult$Description[1] (pr signif(go_resultsresult$pvalue[1], 2)) - r kegg_resultsresult$Description[1] (pr signif(kegg_resultsresult$pvalue[1], 2))7. 自动化分析与可重复研究为提高分析效率和可重复性我们可以将整个流程封装为可重用的脚本或函数。7.1 创建分析管道函数将核心分析步骤封装为函数run_limma_analysis - function(expr_data, sample_info, group_col Group, ref_level Control, p_cutoff 0.05, fc_cutoff 1) { # 数据预处理 expr_norm - normalizeBetweenArrays(log2(expr_data 1)) # 设计矩阵 groups - factor(sample_info[[group_col]], levels c(ref_level, setdiff(unique(sample_info[[group_col]]), ref_level))) design - model.matrix(~0 groups) colnames(design) - levels(groups) # 差异分析 fit - lmFit(expr_norm, design) contrast - makeContrasts(paste(setdiff(levels(groups), ref_level), ref_level, sep -), levels design) fit2 - contrasts.fit(fit, contrast) fit3 - eBayes(fit2) # 结果提取 results - topTable(fit3, number Inf, adjust.method BH) sig_results - results[results$adj.P.Val p_cutoff abs(results$logFC) fc_cutoff, ] return(list(full_results results, significant_results sig_results, fit fit3)) }7.2 创建R Markdown报告整合分析和报告于一体的模板{r setup, includeFALSE} knitr::opts_chunk$set(echo FALSE, message FALSE) library(limma) library(ggplot2) # 差异表达分析报告 r Sys.Date() ## 数据概览 {r># 初始化Git仓库 git init # 添加关键文件 git add analysis_script.R data/ report.Rmd # 提交更改 git commit -m Initial limma analysis pipeline # 创建GitHub远程仓库 git remote add origin https://github.com/username/limma_analysis.git # 推送更改 git push -u origin master7.4 容器化部署使用Docker确保分析环境可重现FROM rocker/tidyverse:4.0.0 # 安装Bioconductor包 RUN R -e install.packages(BiocManager) RUN R -e BiocManager::install(c(limma, edgeR, clusterProfiler)) # 复制分析脚本 COPY limma_analysis.R /home/rstudio/ WORKDIR /home/rstudio
R语言limma包差异表达分析实战：从数据清洗到可视化全流程解析
R语言limma包差异表达分析实战从数据清洗到可视化全流程解析在生物信息学研究中差异表达分析是识别疾病相关基因或关键调控因子的核心方法之一。R语言作为生物信息学分析的利器其丰富的扩展包生态系统为研究人员提供了强大支持。其中limma包凭借其线性模型框架和稳健的统计方法成为处理微阵列和RNA-seq数据差异分析的首选工具。本文将带你从零开始完整走通使用limma包进行差异表达分析的全流程涵盖数据准备、预处理、质量控制和结果可视化等关键环节。对于刚接触生物信息学的研究人员来说掌握limma包的使用不仅能提高分析效率更能确保结果的可靠性。我们将通过一个真实案例展示如何将原始表达数据转化为具有生物学意义的差异基因列表并生成专业级的可视化图表。无论你是需要分析自己的实验数据还是想复现文献中的分析流程这套方法都能为你提供清晰的指导。1. 实验设计与数据准备差异表达分析的第一个关键步骤是确保实验设计和数据结构的正确性。一个典型的差异分析项目通常包含三个核心文件表达矩阵、样本信息表和探针注释文件。让我们从数据加载开始逐步构建分析基础。1.1 数据加载与结构验证首先加载必要的R包并导入原始数据# 加载核心分析包 library(limma) library(dplyr) library(tibble) # 读取表达矩阵文件 expr_data - read.csv(GSE5281_expression.csv, row.names 1) # 读取样本信息表 sample_info - read.csv(GSE5281_sample_info.csv)数据加载后必须进行基本验证# 检查表达矩阵维度 dim(expr_data) # 应显示基因数×样本数 # 检查样本信息匹配性 ncol(expr_data) nrow(sample_info) # 应返回TRUE1.2 样本分组与设计矩阵limma包的分析核心在于构建正确的设计矩阵。我们需要明确定义实验组和对照组# 创建分组因子 groups - factor(sample_info$Group, levels c(Control, AD)) # 构建设计矩阵 design - model.matrix(~0 groups) colnames(design) - levels(groups) rownames(design) - colnames(expr_data)注意设计矩阵中的组别顺序会影响后续结果解释通常将对照组放在前面更符合生物学直觉。1.3 数据匹配性检查确保表达矩阵的样本顺序与设计矩阵完全一致# 验证样本顺序 all(colnames(expr_data) rownames(design)) # 必须为TRUE # 若不一致需要调整顺序 expr_data - expr_data[, rownames(design)]2. 数据预处理与质量控制原始表达数据通常包含技术噪音和批次效应高质量的数据预处理是获得可靠结果的前提。本节将介绍关键的数据清洗和标准化步骤。2.1 缺失值与异常值处理基因表达数据中的缺失值和极端值会严重影响后续分析# 缺失值检测与处理 missing_genes - apply(expr_data, 1, function(x) sum(is.na(x))) expr_clean - expr_data[missing_genes 0, ] # 去除含缺失值的基因 # 异常值修正Winsorization处理 expr_clean - apply(expr_clean, 2, function(x){ q - quantile(x, c(0.25, 0.75)) iqr - q[2] - q[1] x[x (q[1] - 1.5*iqr)] - median(x) x[x (q[2] 1.5*iqr)] - median(x) return(x) })2.2 数据标准化limma包提供了专门针对微阵列数据的标准化方法# 使用limma进行分位数标准化 expr_norm - normalizeBetweenArrays(log2(expr_clean 1), method quantile)标准化效果可通过箱线图直观展示# 绘制标准化前后对比图 par(mfrow c(1, 2)) boxplot(expr_clean, main Raw Data, las 2) boxplot(expr_norm, main Normalized Data, las 2)2.3 数据质量评估全面的质量评估能发现潜在问题评估指标检查方法预期结果管家基因表达查看GAPDH、ACTB等基因表达各样本间表达稳定样本间相关性计算样本间Pearson相关系数组内相关组间相关整体分布PCA分析组间样本能较好分离# PCA分析示例 pca_result - prcomp(t(expr_norm)) plot(pca_result$x[, 1:2], col groups, pch 16)3. 差异表达分析实施完成数据准备后我们可以进入核心的差异分析阶段。limma包采用线性模型框架通过经验贝叶斯方法提高小样本情况下的统计效力。3.1 构建对比矩阵明确定义要比较的组别组合# 创建对比矩阵 contrast_matrix - makeContrasts( AD_vs_Control AD - Control, levels design )3.2 拟合线性模型limma的三步分析流程# 第一步拟合线性模型 fit - lmFit(expr_norm, design) # 第二步应用对比矩阵 fit2 - contrasts.fit(fit, contrast_matrix) # 第三步经验贝叶斯调整 fit3 - eBayes(fit2, trend TRUE)3.3 结果提取与筛选提取差异分析结果并应用多重检验校正# 获取完整结果表 all_results - topTable(fit3, coef 1, number Inf, adjust.method BH) # 设置显著性阈值 sig_genes - all_results %% filter(adj.P.Val 0.05 abs(logFC) 1) %% rownames_to_column(Gene)差异基因统计# 统计上下调基因数量 table(sig_genes$logFC 0) # 输出关键基因 head(sig_genes[order(sig_genes$P.Value), ], 10)4. 结果可视化与生物学解释高质量的可视化能直观展示分析结果帮助理解数据背后的生物学意义。我们将创建几种常用的差异表达分析图。4.1 火山图展示差异基因火山图是展示差异分析结果的经典方式library(ggplot2) library(ggrepel) # 准备绘图数据 plot_data - all_results %% mutate(Significant ifelse(adj.P.Val 0.05 abs(logFC) 1, ifelse(logFC 1, Up, Down), Not)) %% rownames_to_column(Gene) # 标记top基因 top_genes - plot_data %% arrange(P.Value) %% head(10) # 绘制火山图 ggplot(plot_data, aes(x logFC, y -log10(P.Value), color Significant)) geom_point(alpha 0.6) scale_color_manual(values c(blue, grey, red)) geom_text_repel(data top_genes, aes(label Gene), box.padding 0.5, max.overlaps Inf) theme_minimal() labs(title Volcano Plot of Differential Expression, x log2 Fold Change, y -log10 P-value)4.2 热图展示基因表达模式热图能直观显示差异基因在不同样本中的表达模式library(pheatmap) # 选择差异最显著的50个基因 top50_genes - rownames(all_results)[order(all_results$P.Value)][1:50] # 准备热图数据 heatmap_data - expr_norm[top50_genes, ] heatmap_data - t(scale(t(heatmap_data))) # 行标准化 # 添加样本分组注释 annotation_col - data.frame(Group groups) rownames(annotation_col) - colnames(heatmap_data) # 绘制热图 pheatmap(heatmap_data, annotation_col annotation_col, show_rownames FALSE, clustering_method complete, main Expression Pattern of Top 50 DEGs)4.3 MA图展示表达变化MA图能显示基因平均表达水平与差异倍数的关系plotMA(fit3, coef 1, main MA Plot) abline(h c(-1, 0, 1), col c(blue, black, blue), lty 2)4.4 结果保存与报告将关键结果保存为文件便于后续分析和报告# 保存完整结果 write.csv(all_results, DEG_full_results.csv, row.names TRUE) # 保存显著差异基因 write.csv(sig_genes, Significant_DEGs.csv, row.names FALSE) # 保存可视化图形 ggsave(volcano_plot.png, width 8, height 6, dpi 300)5. 高级技巧与疑难解答在实际分析中我们常会遇到各种特殊情况和挑战。本节分享一些提高分析质量的实用技巧。5.1 批次效应校正当数据来自不同实验批次时需要额外处理# 使用removeBatchEffect函数 batch - sample_info$Batch expr_corrected - removeBatchEffect(expr_norm, batch batch) # 校正后再次验证PCA pca_corrected - prcomp(t(expr_corrected)) plot(pca_corrected$x[, 1:2], col groups, pch 16)5.2 RNA-seq数据适配limma也适用于RNA-seq数据但需要voom转换# 创建DGEList对象 library(edgeR) dge - DGEList(counts count_data) dge - calcNormFactors(dge) # voom转换 v - voom(dge, design, plot TRUE) fit - lmFit(v, design)5.3 常见问题排查下表总结了常见问题及解决方案问题现象可能原因解决方案差异基因数量异常少阈值设置过严调整p值或logFC阈值组间分离不明显批次效应强于生物效应应用批次校正管家基因表达不稳定RNA质量或实验问题检查原始数据质量热图中样本聚类异常样本标签错误验证样本分组信息5.4 性能优化建议处理大数据集时可采用以下优化策略# 并行计算加速 library(BiocParallel) register(SnowParam(4)) # 使用4个核心 # 内存优化 expr_matrix - as.matrix(expr_data) # 确保使用矩阵而非数据框6. 下游分析与功能注释获得差异基因列表后下一步是理解其生物学意义。本节介绍常用的功能注释和通路分析方法。6.1 GO富集分析使用clusterProfiler进行基因本体分析library(clusterProfiler) library(org.Hs.eg.db) # 转换基因ID gene_ids - mapIds(org.Hs.eg.db, keys sig_genes$Gene, column ENTREZID, keytype SYMBOL) # GO富集分析 go_results - enrichGO(gene na.omit(gene_ids), OrgDb org.Hs.eg.db, ont BP, pvalueCutoff 0.05)可视化富集结果dotplot(go_results, showCategory 15) ggtitle(GO Biological Process Enrichment)6.2 KEGG通路分析识别显著富集的代谢和信号通路kegg_results - enrichKEGG(gene na.omit(gene_ids), organism hsa, pvalueCutoff 0.05) # 通路可视化 barplot(kegg_results, showCategory 10) ggtitle(KEGG Pathway Enrichment)6.3 蛋白互作网络分析使用STRING数据库构建蛋白互作网络library(STRINGdb) # 创建STRING连接 string_db - STRINGdb$new(version 11, species 9606) # 映射基因并获取互作 string_mapped - string_db$map(sig_genes, Gene, removeUnmappedRows TRUE) string_interactions - string_db$get_interactions(string_mapped$STRING_id)6.4 结果整合报告将关键发现整理为综合报告# 差异表达分析报告 ## 主要发现 - 共鉴定到r nrow(sig_genes)个显著差异基因 - 上调基因r sum(sig_genes$logFC 0)个 - 下调基因r sum(sig_genes$logFC 0)个 ## 关键基因 r paste(head(sig_genes$Gene, 10), collapse , ) ## 重要通路 - r go_resultsresult$Description[1] (pr signif(go_resultsresult$pvalue[1], 2)) - r kegg_resultsresult$Description[1] (pr signif(kegg_resultsresult$pvalue[1], 2))7. 自动化分析与可重复研究为提高分析效率和可重复性我们可以将整个流程封装为可重用的脚本或函数。7.1 创建分析管道函数将核心分析步骤封装为函数run_limma_analysis - function(expr_data, sample_info, group_col Group, ref_level Control, p_cutoff 0.05, fc_cutoff 1) { # 数据预处理 expr_norm - normalizeBetweenArrays(log2(expr_data 1)) # 设计矩阵 groups - factor(sample_info[[group_col]], levels c(ref_level, setdiff(unique(sample_info[[group_col]]), ref_level))) design - model.matrix(~0 groups) colnames(design) - levels(groups) # 差异分析 fit - lmFit(expr_norm, design) contrast - makeContrasts(paste(setdiff(levels(groups), ref_level), ref_level, sep -), levels design) fit2 - contrasts.fit(fit, contrast) fit3 - eBayes(fit2) # 结果提取 results - topTable(fit3, number Inf, adjust.method BH) sig_results - results[results$adj.P.Val p_cutoff abs(results$logFC) fc_cutoff, ] return(list(full_results results, significant_results sig_results, fit fit3)) }7.2 创建R Markdown报告整合分析和报告于一体的模板{r setup, includeFALSE} knitr::opts_chunk$set(echo FALSE, message FALSE) library(limma) library(ggplot2) # 差异表达分析报告 r Sys.Date() ## 数据概览 {r># 初始化Git仓库 git init # 添加关键文件 git add analysis_script.R data/ report.Rmd # 提交更改 git commit -m Initial limma analysis pipeline # 创建GitHub远程仓库 git remote add origin https://github.com/username/limma_analysis.git # 推送更改 git push -u origin master7.4 容器化部署使用Docker确保分析环境可重现FROM rocker/tidyverse:4.0.0 # 安装Bioconductor包 RUN R -e install.packages(BiocManager) RUN R -e BiocManager::install(c(limma, edgeR, clusterProfiler)) # 复制分析脚本 COPY limma_analysis.R /home/rstudio/ WORKDIR /home/rstudio
