affyPLM包可以对芯片原始数据进行拟合回归,最后得到芯片权重(Weights)残差(Residuals)图、相对对数表达(RLE,Relative log expression)箱线图、相对标准差(NUSE,Normalized unscaled standard errors)箱线图

以样品GSM286757.CEL、GSM286756.CEL、GSM286763.CEL、GSM286762.CEL、GSM286759.CEL、GSM286760.CEL、GSM286765.CEL、GSM286766.CEL为例:

library(affyPLM)

rawData<-ReadAffy("GSM286757.CEL","GSM286756.CEL",

"GSM286763.CEL","GSM286762.CEL",

"GSM286759.CEL","GSM286760.CEL",

"GSM286765.CEL","GSM286766.CEL")

Pset <- fitPLM(rawData)

boxplot(Pset,col=c(1:8),main="NUSE")    ## NUSE图

Mbox(Pset,col=c(1:8),main="RLE")      ## RLE图

image(Pset,type="weights",which=1,main="Weights") ## 权重图

image(Pset, type="resids", which=2, main="Residuals") ## 残差图

image(Pset, type="sign.resids", which=2, main="Residuals sign") ## 符号残差图

从上面的代码可以看出,经过了fitPLM的计算得到了权重参差、相对对数表达、相对标准差的数据,但是这些数据在Pset中是怎样存储的呢?

运行下面的代码可以看清楚:

model=PM ~ -1 + probes + samples

model.param=verify.model.param(rawData,model)

variable.type <- verify.variable.types (model,c(default="factor"))

constraint.type <- verify.constraint.types(model,c(default="contr.treatment"))

n.probesets <- length(geneNames(rawData))

R.model <- PLM.designmatrix3(rawData,model,variable.type=variable.type,constraint.type=constraint.type)

output <- verify.output.param()

modelparam <- verify.model.param(rawData,model,model.param=model.param)

background.param <- verify.bg.param(R.model, "RMA.2",background.param = list())

normalize.param <- verify.norm.param(R.model, "quantile",normalize.param=list())

Fitresults <- .Call("R_rlm_PLMset_c",pm(rawData),mm(rawData),

probeNames(rawData),

n.probesets,

R.model,

output,

modelparam,

TRUE,

"RMA.2",

background.param,

TRUE,

"quantile",

normalize.param,

0,

PACKAGE="affyPLM")

其中:

一、Fitresults[[4]]和NUSE有关,它是一个阵列,行数是探针组数目,列数是样品数,长度是探针组数目*样品数

grp.rma.se1.median <- apply(Fitresults[[4]], 1,median,na.rm=TRUE)

grp.rma.rel.se1.mtx <- sweep(Fitresults[[4]],1,grp.rma.se1.median,FUN='/')

## 以上2步操作是让每一行都减去该行的中位数

boxplot(grp.rma.rel.se1.mtx,col=c(1,2,3,4,5,6,7,8),main="NUSE")

二、Fitresults[[1]]和RLE有关,它是一个阵列,行数是探针组数目,列数是样品数,长度是探针组数目*样品数

medianchip <- apply(Fitresults[[1]], 1, median)

M <- sweep(Fitresults[[1]],1,medianchip,FUN='-')

## 以上2步操作是让每一行都减去该行的中位数

boxplot(M,col=c(1,2,3,4,5,6,7,8),main="RLE")

三、Fitresults[[3]][[1]]和权重图有关,它是一个阵列,行数是PM探针数目,列数是样品数,长度是探针数目*样品数。在本例中,PM探针数目是604258,样品数是8,那么第一个样品的权重值是Fitresults[[3]][[1]][,1],长度为探针数目604258

## 查看第一个样品的前50个权重值

> Fitresults[[3]][[1]][,1][1:50]

1007_s_at 1007_s_at 1007_s_at 1007_s_at 1007_s_at 1007_s_at 1007_s_at

1.0000000 1.0000000 1.0000000 1.0000000 1.0000000 1.0000000 1.0000000

1007_s_at 1007_s_at 1007_s_at 1007_s_at 1007_s_at 1007_s_at 1007_s_at

1.0000000 0.8790510 1.0000000 1.0000000 1.0000000 1.0000000 1.0000000

1007_s_at 1007_s_at   1053_at   1053_at   1053_at   1053_at   1053_at

1.0000000 1.0000000 1.0000000 1.0000000 1.0000000 0.2046946 1.0000000

1053_at   1053_at   1053_at   1053_at   1053_at   1053_at   1053_at

1.0000000 1.0000000 1.0000000 0.4951793 1.0000000 1.0000000 1.0000000

1053_at   1053_at   1053_at   1053_at    117_at    117_at    117_at

1.0000000 0.4462245 1.0000000 1.0000000 1.0000000 1.0000000 1.0000000

117_at    117_at    117_at    117_at    117_at    117_at    117_at

1.0000000 1.0000000 0.6728794 1.0000000 0.3876992 0.8266238 0.7217806

117_at    117_at    117_at    117_at    117_at    117_at    121_at

1.0000000 1.0000000 1.0000000 1.0000000 1.0000000 1.0000000 1.0000000

121_at

1.0000000

## 绘制权重图的颜色

col.weights <- terrain.colors(25)

> col.weights

[1] "#00A600FF" "#10AC00FF" "#20B100FF" "#32B700FF" "#45BD00FF" "#59C300FF"

[7] "#6DC900FF" "#83CE00FF" "#9AD400FF" "#B2DA00FF" "#CBE000FF" "#E6E600FF"

[13] "#E6D612FF" "#E7C924FF" "#E8BF36FF" "#E9B848FF" "#EAB35AFF" "#EBB16DFF"

[19] "#ECB27FFF" "#EDB592FF" "#EEBCA5FF" "#EFC5B8FF" "#F0D1CBFF" "#F1E0DFFF"

[25] "#F2F2F2FF"

这里有25个颜色,[1]~[25],从草绿色渐变到橘黄色,再渐变到接近白色。越小的权重值分配到的颜色越接近草绿色,越大的权重值越接近白色。这样,每个PM探针都有了对应的权重值和颜色,绘制成图像就是权重图了。

四、Fitresults[[8]] [[1]]和残差图有关系,原理和权重图是一样的。

符号残差图根据Fitresults[[8]] [[1]]的数据的正负号来确定颜色,正数红色,0白色,负数蓝色。对Fitresults[[8]] [[1]]进行sign(Fitresults[[8]] [[1]])*(log2(abs(Fitresults[[8]] [[1]])+1))计算后得到的数据用于残差图,残差图的颜色是:

col.resids <- pseudoPalette(low="blue",high="red",mid="white")

> col.resids

[1] "#0000FF" "#0B0BFF" "#1515FF" "#2020FF" "#2A2AFF" "#3535FF" "#4040FF"

[8] "#4A4AFF" "#5555FF" "#6060FF" "#6A6AFF" "#7575FF" "#8080FF" "#8A8AFF"

[15] "#9595FF" "#9F9FFF" "#AAAAFF" "#B5B5FF" "#BFBFFF" "#CACAFF" "#D4D4FF"

[22] "#DFDFFF" "#EAEAFF" "#F4F4FF" "#FFFFFF" "#FFFFFF" "#FFF4F4" "#FFEAEA"

[29] "#FFDFDF" "#FFD5D5" "#FFCACA" "#FFBFBF" "#FFB5B5" "#FFAAAA" "#FF9F9F"

[36] "#FF9595" "#FF8A8A" "#FF8080" "#FF7575" "#FF6A6A" "#FF6060" "#FF5555"

[43] "#FF4A4A" "#FF4040" "#FF3535" "#FF2B2B" "#FF2020" "#FF1515" "#FF0B0B"

[50] "#FF0000"

颜色从蓝色渐变到红色,再渐变到白色。越小的残差值分配到的颜色越接近蓝色,

这里有50个颜色,[1]~[50],从蓝色渐变到红色,再渐变到接近白色。越小的残差值分配到的颜色越接近蓝色,越大的权重值越接近白色。这样,每个PM探针都有了对应的残差值和颜色,绘制成图像就是残差图了。

11、权重残差图、RLE和NUSE的更多相关文章

  1. 优化深度神经网络(一) dropout 初始化

    Coursera吴恩达<优化深度神经网络>课程笔记(1)-- 深度学习的实用层面 1. Train/Dev/Test sets  训练集(Training sets).验证集(Develo ...

  2. Java 负载均衡

    什么是负载均衡 负载均衡,英文 名称为Load Balance,指由多台服务器以对称的方式组成一个服务器集合,每台服务器都具有等价的地位,都可以单独对外提供服务而无须其他服务器的辅助.通过某种 负载分 ...

  3. Solr搜索解析及查询解析器用法概述

    一.简介 大多数查询都使用 了标准的Solr语法.这种语法是Solr最常见的,由默认查询解析器负责处理.Solr的默认查询解析器是Lucene查询解析器[LuceneQParserPlugin类实现] ...

  4. R 《回归分析与线性统计模型》page121,4.4

    rm(list = ls()) A = read.xlsx("xiti_4.xlsx",sheet = 4) names(A) = c("ord"," ...

  5. Spring Cloud Gateway简单入门,强大的微服务网关

    我最新最全的文章都在南瓜慢说 www.pkslow.com,欢迎大家来喝茶! 1 简介 见名知义,Spring Cloud Gateway是用于微服务场景的网关组件,它是基于Spring WebFlu ...

  6. Kubernetes实战:高可用集群的搭建和部署

    摘要:官方只提到了一句"使用负载均衡器将 apiserver 暴露给工作节点",而这恰恰是部署过程中需要解决的重点问题. 本文分享自华为云社区<Kubernetes 高可用集 ...

  7. 地区sql

    /*Navicat MySQL Data Transfer Source Server : localhostSource Server Version : 50136Source Host : lo ...

  8. 查验身份证 (15 分) 一个合法的身份证号码由17位地区、日期编号和顺序编号加1位校验码组成。校验码的计算规则如下: 首先对前17位数字加权求和,权重分配为:{7,9,10,5,8,4,2,1,6,3,7,9,10,5,8,4,2};然后将计算的和对11取模得到值Z;最后按照以下关系对应Z值与校验码M的值:

    // test4.cpp : 此文件包含 "main" 函数.程序执行将在此处开始并结束.// #include "pch.h"#include <ios ...

  9. 前端极易被误导的css选择器权重计算及css内联样式的妙用技巧

    记得大学时候,专业课的网页设计书籍里面讲过css选择器权重的计算:id是100,class是10,html标签是5等等,然后全部加起来的和进行比较... 我只想说:真是误人子弟,害人不浅! 最近,在前 ...

随机推荐

  1. HDU 6089 Rikka with Terrorist (线段树)

    题目链接 http://acm.hdu.edu.cn/showproblem.php?pid=6089 题解 这波强行维护搞得我很懵逼... 扫描线,只考虑每个点能走到左上方(不包括正上方,但包括正左 ...

  2. 微信小程序 — 速学速查笔记

    1. 配置 配置全解析 project.config.json ( 项目配置文件 ) { // 文件描述 "description": "项目配置文件", // ...

  3. LeetCode 152. 乘积最大子序列(Maximum Product Subarray)

    题目描述 给定一个整数数组 nums ,找出一个序列中乘积最大的连续子序列(该序列至少包含一个数). 示例 1: 输入: [2,3,-2,4] 输出: 6 解释: 子数组 [2,3] 有最大乘积 6. ...

  4. Scala学习(二)——高级特性

    apply() 方法 apply方法是Scala提供的一个语法糖 类名+括号,调用对象的apply方法 对象名+括号,调用类的apply方法 对apply方法的简单测试:(其中,带 new -- cl ...

  5. Docker非常详细的讲解

    CSDN大牛写的,推荐 http://blog.csdn.net/tangtong1/article/details/53556129 阿里云docker镜像地址: https://dev.aliyu ...

  6. 如何用ORM自定义排序

    ORM连接的数据库不同,方法也不同 postgresql: a.extra(select={"new_order":"position(status in '2,3,4, ...

  7. mysql replaceinto VS insertinto

    https://blog.csdn.net/t8116189520/article/details/78908975 所以,若想基于插入值累加是不行的,需要insert into https://ww ...

  8. C++重写实践&与java的差异

    C++重写父类方法后,父类中同名的方法在子类中就无法被调用,回报这个问题: java中是没有这个问题的,显然java设计者在设计的时候有意解决了这个问题. C++实践代码: #include < ...

  9. 第五周作业,LVM和TCP

    1.磁盘lvm管理,完成下面要求,并写出详细过程: 1) 创建一个至少有两个PV组成的大小为20G的名为testvg的VG;要求PE大小 为16MB, 而后在卷组中创建大小为5G的逻辑卷testlv; ...

  10. Prism学习笔记-模块之间通信的几种方式

    在开发大型复杂系统时,我们通常会按功能将系统分成很多模块,这样模块就可以独立的并行开发.测试.部署.修改.使用Prism框架设计表现层时,我们也会遵循这个原则,按功能相关性将界面划分为多个模块,每个模 ...