คลาส ExpressionSet

การวิเคราะห์ Differential Expression ด้วย limma ใน R

John Blischak

Instructor

การจัดการข้อมูลนั้นเปราะบาง

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

เพียงลืมคอมม่าตัวเดียวก็อาจกลายเป็นฝันร้ายในการดีบัก:

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

การเขียนโปรแกรมเชิงวัตถุกับคลาสใน Bioconductor

class - กำหนดโครงสร้างสำหรับเก็บข้อมูลที่ซับซ้อน
object - อินสแตนซ์เฉพาะของคลาส
methods - ฟังก์ชันที่ทำงานกับคลาสนั้น ๆ
- getters/accessors - ดึงข้อมูลที่เก็บอยู่ใน object
- setters/ - แก้ไขข้อมูลที่เก็บอยู่ใน object

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

สร้าง ExpressionSet object

# 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

เข้าถึงข้อมูลจาก ExpressionSet object

Expression matrix

x <- exprs(eset)

Feature data

f <- fData(eset)

Phenotype data

p <- pData(eset)

Subset ExpressionSet object

การ Subset ด้วย object แยก 3 ชิ้น:

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

การ Subset ด้วย ExpressionSet object:

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 กับ 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"])

มาฝึกกันเถอะ!

การวิเคราะห์ Differential Expression ด้วย limma ใน R