Класс ExpressionSet

Анализ дифференциальной экспрессии с помощью limma в R

John Blischak

Instructor

Управление данными — дело рискованное

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

Одна лишняя запятая — и отладка превратится в кошмар:

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

Объектно-ориентированное программирование с классами Bioconductor

class — определяет структуру для хранения сложных данных
object — конкретный экземпляр класса
methods — функции, работающие с определённым классом
- getters/accessors — получают данные, хранящиеся в объекте
- setters/ — изменяют данные, хранящиеся в объекте

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

Создание объекта 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

Доступ к данным объекта ExpressionSet

Матрица экспрессии

x <- exprs(eset)

Данные о признаках

f <- fData(eset)

Данные о фенотипе

p <- pData(eset)

Срез объекта ExpressionSet

Срез из трёх отдельных объектов:

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

Срез с объектом 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

Диаграмма размаха с 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"])

Давайте потренируемся!

Анализ дифференциальной экспрессии с помощью limma в R