La classe ExpressionSet

Analisi dell'espressione differenziale con limma in R

John Blischak

Instructor

La gestione dei dati è precaria

x_sub <- x[1000, 1:10]
f_sub <- f[1000, ]
p_sub <- p[1:10, ]

Una virgola fuori posto può diventare un incubo di debug:

x_sub <- x[1000, 1:10]
f_sub <- f[1000, ]
p_sub <- p[, 1:10]
# Oh no!   *

Programmazione a oggetti con le classi di Bioconductor

class - definisce una struttura per contenere dati complessi
object - un'istanza specifica di una classe
methods - funzioni che operano su una classe specifica
- getters/accessors - Ottieni i dati salvati in un oggetto
- setters/ - Modifica i dati salvati in un oggetto

install.packages("BiocManager")
BiocManager::install("Biobase")

Crea un oggetto ExpressionSet

# Load package
library(Biobase)

# Create ExpressionSet object
eset <- ExpressionSet(assayData = x,
                      phenoData = AnnotatedDataFrame(p),
                      featureData = AnnotatedDataFrame(f))

# View the number of features (rows) and samples (columns)
dim(eset)

Features  Samples 
   22283      344

?ExpressionSet

Accedi ai dati da un oggetto ExpressionSet

Matrice di espressione

x <- exprs(eset)

Dati delle feature

f <- fData(eset)

Dati fenotipici

p <- pData(eset)

Sottoinsiemare un oggetto ExpressionSet

Sottoinsieme con 3 oggetti separati:

x_sub <- x[1000, 1:10]
f_sub <- f[1000, ]
p_sub <- p[1:10, ]

Sottoinsieme con un oggetto ExpressionSet:

eset_sub <- eset[1000, 1:10]

nrow(exprs(eset_sub)) == nrow(fData(eset_sub))

TRUE

ncol(exprs(eset_sub)) == nrow(pData(eset_sub))

TRUE

Boxplot con un ExpressionSet

boxplot(<y-axis> ~ <x-axis>, main = "<title>")
boxplot(<gene expression> ~ <phenotype>, main = "<feature>")

boxplot(exprs(eset)[1, ] ~ pData(eset)[, "er"],
        main = fData(eset)[1, "symbol"])

Esercitiamoci!

Analisi dell'espressione differenziale con limma in R